Prosiding Semiloka 2004

ISBN: 979-95965-7-2
Prosiding
Semiloka Teknologi Simulasi dan
Komputasi serta Aplikasi 2004
Perkembangan Simulasi dan Komputasi dalam
Industri di Indonesia Saat Ini
Jakarta, 30 Nopember 2004
Other Node Master

network
Node 1
Other Node Master

Node 2 network
Node 1
Node 3
Other Node Master

network
Node 2
Node 1
Node 3
Switch
Node 2
Node 3
Switch
Switch
Diselenggarakan oleh:
Pusat Pengkajian dan Penerapan Teknologi Informasi dan Elektronika
Kelompok Teknologi Integrasi Sistem Jaringan Komputer dan Komputasi
CS omputational
cience &
E ngineering
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
KATA PENGANTAR
Assalamu’alaikum Warahmatullahi Wabarakatuh
Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa, karena atas Berkat dan Rahmat-Nya
maka Semiloka ini telah dapat diselenggarakan dengan baik.
Teknologi Simulasi dan Komputasi di Indonesia pada saat ini masih banyak yang terdapat dalam
lingkup akademis saja, dan hanya sedikit yang sudah diaplikasikan langsung dalam industri. Dalam
Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi tahun 2004 ini, untuk lebih mendorong
perkembangan teknologi simulasi dan komputasi di Indonesia serta aplikasinya, kami mengundang
pembicara yang berkecimpung dalam teknologi ini dan juga memang berkecimpung langsung di industri. Di
samping itu juga diundang pembicara dari pihak akademis yang memang terlibat dalam state of the art dari
penelitian dan pengembangan aplikasi teknologi ini.
Semiloka ini menyajikan makalah-makalah ilmiah berkualitas terkait dengan teknologi simulasi dan
komputasi, dalam bidang aplikasi simulasi, teknik pemodelan, analisa dan aplikasi komputasi, yang berasal
dari LPND dan lingkup akademis (universitas). Terlihat beberapa produk perangkat lunak simulasi dan
komputasi baik yang masih taraf pengembangan, prototype ataupun yang sudah jadi yang dipromosikan
dalam makalah ilmiah semiloka ini. Di samping itu juga ada beberapa makalah yang menampilkan teknik
analisa dan terapannya dilapangan.
Semiloka ini memang masih dalam skala kecil, dan belumlah dapat dikatakan mewakili kondisi
nasional. Akan tetapi dari makalah dan hasil yang diajukan dalam prosiding ini, dapat dikatakan
perkembangan teknologi simulasi dan komputasi di Indonesia masih tetap berjalan dan diharapkan dapat
berkembang menjadi lebih baik.
Semoga buku prosiding ini dapat membantu mempercepat permasyarakatan teknologi simulasi
dengan harapan akan semakin banyak timbul produk-produk teknologi simulasi dan komputasi dari dalam
negeri.
Wassalamu’alaikum warahmatullahi wa barakatuh.
Ketua Komite Teknis
Dr-Ing. Edi Legowo
iii
iv
SUSUNAN PANITIA
Pembina:
Ir. Martin Djamin, M.Sc., Ph.D., APU (Deputi Kepala Bidang TIEML – BPPT)
Drs. Sulistyo, MS (Direktur P3TIE – BPPT)
Ir. Bambang Heru Tjahyono (BPPT)
Komite Teknis
Dr. -Ing. Edi Legowo (BPPT) (Ketua)
Dr. Ir. Ade Jamal (BPPT)
Dr. Dwi Handoko (BPPT)
Dr.-Ing. Wahyu Sediono (BPPT)
Komite Pelaksana
Dr. Alief N. Yahya (BPPT) (Ketua)
Lebong Andalaluna, M.Eng (BPPT)
Agus Sainjati, M.Sc (BPPT)
Made Gunawan, M. Eng (BPPT)
Ir. Aris Suwarjono (BPPT)
Ir. Tri Sampurno (BPPT)
Ir. Vitria Pragesjvara (BPPT)
v
DAFTAR ISI
Kata Pengantar
Dr –Ing. Edi Legowo iii
Sambutan Deputi Kepala Bidang TIEML

Dr. Martin Djamin, APU iv
Susunan Panitia v
Daftar Isi vi
Makalah Undangan
Pengembangan Hemisphere Structure of Hidden Layer Neural Networks dan Optimasi
Strukturnya Menggunakan Algoritma Genetika
Benyamin Kusumoputro, Ph.D., Fakultas Ilmu Komputer, Universitas Indonesia 1
Simulasi
1. Pemodelan dan Simulasi Antrian Kendaraan di Gerbang Tol
Wahyu Sediono dan Dwi Handoko, P3TIE-BPPT 11
2. Estimasi Karakteristik Propagasi Gelombang Elektromagnetik pada Sistem

Komunikasi Bergerak
Dr. Hary Budiarto, P3TL-BPPT 15
3. Pengaruh Ukuran Butir Terhadap Kuat Fatik Baja: Simulasi dan Eksperimen
DR- Ing. H. Agus Suhartono, UPT LUK Puspiptek, Serpong 21
Analisa
4. Perbandingan Metode Monte Carlo dan Metode Partikel Terbobot Stokastik
untuk Solusi Numerik Persamaan Boltzmann
Endar H. Nugrahani, Departemen Matematika, FMIPA, Institut Pertanian Bogor 33
5. Analisis Aerodinamika Efek Railing dan Ketinggian Dek pada Jembatan

Bentang Panjang
Fariduzzaman dan Dewi Asmara, UPT-LAGG, BPPT, PUSPIPTEK, Serpong 39
Aplikasi
6. Perkembangan dan Aplikasi Teknologi Simulasi dan Komputasi Iklim dan
Kelautan di Indonesia
Edvin Aldrian, UPTHB – BPP Teknologi 45
7. Aplikasi Neural Networks untuk Prediksi Aliran Sungai (Studi Kasus DAS Cidanau,
Indonesia dan DAS Terauchi, Jepang)
Budi I. Setiawan dan Rudiyanto,
Dept. of Agricultural Engineering, Bogor Agricultural University 61
8. Evaluasi Penggunaan Program MS Excel dalam Menyusun Formulasi Ransum

Pakan Ternak Menggunakan Metode Program Linier
Hendra Herdian, UPT. BPPTK LIPI Yogyakarta 67
vi
9. Aplikasi Jaringan Saraf Tiruan (Artificial Neural Network/ANN) Sebagai Alternatif

Sistem Peringatan Dini bagi Fenomena Harmful Algal Blooms (HABs)
di Teluk Jakarta
Rahmania A. Darmawan dan Hary Budiarto, P3 Teknologi Lingkungan BPPT 75
10. Evaluasi Mutu Jeruk Nipis (Citrus aurantifolia Swingle) dengan Pengolahan
Citra Digital dan Jaringan Syaraf Tiruan
Zainul Arham, Usman Ahmad, Suroso
Program Studi Ilmu Keteknikan Pertanian, Sekolah Pascasarjana Institut Pertanian Bogor 81
11. Pemodelan Pengaruh Knowledge Management untuk Pengembangan

Sumber Daya Manusia
Mohamad Haitan Rachman, Multiforma Sarana Consultant, PT. 89
12. Visualisasi dan Database Pengisian Botol pada Industri Kimia Berbasis
Mikrokontroler dengan Pemrograman Visual Basic 6.0
A. Sofwan, M. Abror dan O.Namara,
Jurusan Teknik Elektro - Fakultas Teknologi Industri, Institut Sains dan Teknologi Nasional 93
13. Pengaturan Sistem Kerja Kecepatan Motor DC pada Mesin Produksi Kempa
Tablet Berbasis Fuzzy
A.Sofwan dan A.Irfan, Institut Sains Dan Teknologi Nasional 97
14. Algorithma untuk Deteksi QRS Sinyal ECG

Pratondo Busono, BPP Teknologi
Eddy Susanto, Wiewie, dan Yuliana Sadeli, Universitas Bina Nusantara 101
vii
viii
PENGEMBANGAN HEMISPHERE STRUCTURE OF

HIDDEN LAYER NEURAL NETWORKS DAN OPTIMASI
STRUKTURNYA MENGGUNAKAN
ALGORITMA GENETIKA
Benyamin Kusumoputro
Fakultas Ilmu Komputer, Universitas Indonesia
Kampus UI Depok16424 Indonesia4
email : kusumo @cs.ui.ac.id
Invited Paper
Abstract
In a research for a development of a 3D face recognition system, a novel structure

of neural networks is proposed. This neural networks is developed by substituting
a single neuron in the hidden layer of a conventional multilayer perceptron with a
hemisphere structure of hidden neurons. This type of neural networks is called
Hemisphere Structure of Hidden Layer (HSHL) neural networks. In this paper, we
would like to explain the fundamental aspect of that development, together with its
optimization of this structure with the use of Genetic Algorithms, and its impact on
the recognition capability of the developed system.
Keywords: Sistem Pengenal Wajah 3-D, jaringan perceptron lapis jamak,

Cylindrical Structure of Hidden Layer Neural Networks, Hemisphere Structure of
Hidden Layer Neural Networks
.
1. PENDAHULUAN penghalusan dan lain sebagainya [5-7]. Akan

tetapi, karena prosedur diatas dapat meningkatkan
Sistem Pengenal Citra 3-Dimensi (3D) biaya operasional tanpa disertai dengan tingkat
sekarang ini sedang banyak diteliti dan pengenalan yang tinggi, maka alternatif
dikembangkan, terutama karena kegunaannya pendekatan lain kemudian dicari, untuk dapat
dalam sistim multimedia dan pengenalan pola meningkatkan kemampuan pengenalan sistim
[1,2]. Masukan dalam Sistem Pengenal Citra 3D ini tanpa menambah alokasi memori serta menekan
biasanya merupakan beberapa citra dua dimensi biaya komputasional sistim pengenalannya.
yang di ambil dari pelbagai posisi disekitar objek 3 Penelitian mengenai Sistim Pengenal Wajah
dimensi tersebut, sehingga menyulitkan Sistem telah banyak dilakukan para peneliti didunia [1]-[9]
Pengenal Citra 3D untuk dapat mengenal citra yang kebanyakan dilakukan untuk wajah-wajah
yang sama tetapi dengan sudut pandang citra dengan pandangan depan (quasi-frontal view-
yang berbeda saat dilakukan proses faces). Kirby dan Sirovich [7] telah mengajukan
pembelajarannya. Masalah lain yang berkaitan metodologi dekomposisi dari citra wajah
dengan tingkat kesulitan Sistem Pengenal Citra 3D (eigenspace model) yang kemudian
ini adalah besarnya alokasi memori yang dikembangkan oleh beberapa peneliti lain untuk
diperlukan untuk merekam citra 2 dimensi mendapatkan hasil yang lebih baik [8]-[9]. Metoda
tersebut, dan apabila kita juga harus memasukkan eigen-face ini dilakukan dengan mengekstrak
efek dari arah penyinaran objek, maka akan informasi ciri dari sekumpulan citra wajah dengan
semakin besar alokasi memori yang diperlukan. menggunakan Transformasi Karhunen-Loeve
Para peneliti telah berusaha untuk dapat (KLT) [10]. Transformasi ini digunakan untuk dapat
menyelesaikan permasalahan ini [3,4], dan memproyeksikan sejumlah besar data kedalam
beberapa diantaranya menggunakan teknik pra- ruang eigen dengan jumlah dimensi yang lebih
pengolahan citra seperti deteksi tepi, operasi kecil dari pada dimensi semula.
1
Para peneliti kemudian ingin menggunakan Algoritma Genetika untuk

mengembangkan Sistim Pengenal Wajah ini untuk menghilangkan sejumlah neuron yang memberi
dapat mencakup juga wajah yang dilihat dari sisi kontribusi negatif terhadap tingkat pengenalan
yang berbeda, tidak hanya dari depan saja. Dapat sistem. Algoritma genetika ini akan mencari dan
dikatakan bahwa pengenalan wajah secara 3 mengeliminasi sejumlah neuron dan dengan
dimensi ini dapat dilakukan dengan menggunakan menggunakan struktur jaringan yang sudah
beberapa citra wajah 2 dimensi dengan sudut teroptimasi ini, tingkat pengenalan Sistem
pandang yang berbeda [11][12], akan tetapi hingga Pengenal Wajah 3D ini meningkat menjadi 97,2%.
sekarang belum didapatkan kemampuan Dalam makalah ini akan dikemukakan
pengenalan yang baik. Terdapat beberapa pengembangan jaringan neural dengan struktur
metodologi yang dikembangkan untuk dapat baru lapis tersembunyi, yang dinamakan sebagai
mengenali citra wajah 3 dimensi dalam beberapa Hemisphere Structure of Hidden Layer Neural
tahun belakangan ini. Network (HSHL-NN). Kita juga akan menurunkan
Nevatia dan Binford mengembangkan persamaan matematik untuk menghitung nilai
sebuah metodologi berdasarkan ‘generalized aktivasi neuron lapis tengah, dan
cylinders [13], sedangkan Faugeras dan Hebert mengaplikasikannya dalam Sistim Pengenal
mengajukan metoda ‘geometric matching using Objek-Wajah secara 3 dimensi.
points, lines and planes’ [14]. Horand dan Bolles
mengembangkan penelitian untuk mengenali dan 2. SISTEM PENGENAL WAJAH SECARA 3
menentukan posisi objek 3 dimensi berbasis’ DIMENSI
object-specifik features’ seperti bentuk lingkaran,
busur dengan teknik pengenalan sisi-tepi citra [15]. Suatu obyek tiga dimensi dapat dikenali
Pentland dan rekan dari MIT mengajukan metoda dengan memanfaatkan sejumlah citra acuan dua
pengenalan 3 dimensi menggunakan teknik dimensi yang merupakan variasi penampakan
multiple-eigenspace dan melaporkan pengenalan terhadap obyek tersebut, misalnya, berdasarkan
rata-rata sebesar 83 % apabila menggunakan variasi sudut pandang pengamatan yang berbeda.
wajah dengan sudut pandang yang berbeda Dari berbagai percobaan, diketahui bahwa sistem
dengan pelatihannya [16]. penglihatan manusia menggunakan lebih dari dua
Miyanaga et al [17] menggunakan jaringan buah citra penampakan suatu obyek, yaitu sekitar
neural buatan untuk dapat mengenal objek 3D. 20 hingga 100 buah citra, untuk dapat
Pada prinsipnya, Miyanaga menggunakan jaringan merepresentasikan citra gambar 3D yang
perceptron lapis jamak yang telah dimodifikasi diamatinya. Data citra tersebut digunakan untuk
pada lapis tersembunyinya, yaitu dengan melakukan generalisasi penampakan baru,
mengganti setiap neuron dengan sebuah lingkaran sebagai hasil interpolasi dari penampakan yang
berisi beberapa buah neuron, sehingga sudah ada [8]. Sistim pengenal wajah 3D yang
membentuk lapis tersembunyi berbentuk silinder dikembangkan penulis juga mengacu pada asumsi
yang dinamakan sebagai Cylindrical Structure of dasar tersebut.
Hidden Layer Neural Network (CSHL-NN). Akan Metode pengenalan objek 3 dimensi melalui
tetapi dalam penggunaan jaringan neural ini, kita citra 2 dimensi dari berbagai sudut pandang telah
harus mengasumsikan bahwa sudut pandang dikembangkan dengan menggunakan arsitektur
pada citra uji telah diketahui terlebih dahulu, serta jaringan neural multi-lapis dengan lapis
mendapatkan tingkat ketelitian dibawah 75 % [18]. tersembunyi berbentuk silindris. Metologi
Berkaitan dengan kelemahan sistem pembelajaran yang dipergunakan untuk merubah
pengenal objek 3D yang dikembangkan oleh nilai bobot dan bias dari setiap pola keterhubungan
Miyanaga et al, pemakalah kemudian antar neuron dilakukan dengan menggunakan
mengembangkan Sistem Pengenal Sudut metode pelatihan propagasi balik. Jaringan neural
Pandang Citra Wajah 3D dengan menggunakan buatan ini kemudian dinamakan sebagai
Nearest Feature Lines Method [18] sebagai Cylindrical Hidden Multi-Layer Perceptron Back
subsistem dari CSHL-NN yang dikembangkan. Propagation (CHMLP-BP).
Pemakalah juga telah menggunakan sistem ini
sebagai Sistem Pengenal Wajah 3D, 2.1 Pengembangan Cylindrical Structure of
menggunakan metoda eigenspace, yang dapay Hidden Layer Neural Network (CSHL-NN)
meningkatkan derajat pengenalan menjadi sekitar
86%. Seperti telah dibahas dalam pendahuluan,
Seperti kita ketahui, bahwa pada jaringan maka jaringan perceptron lapis jamak biasa sangat
perceptron lapis jamak, jumlah neuron yang sulit untuk dapat melakukan pengenalan objek 3
meningkat akan memperbesar error (galat) dari dimensi dengan tingkat pengenalan yang tinggi.
sistem jaringan ini, sehingga Pemakalah kemudian Untuk dapat meningkatkan kemampuan sistim, kita
2
menggunakan modifikasi struktur lapis Jumlah sub lapis pada lapis tersembunyi
tersembunyi dalam arsitektur perceptron lapis yang optimal adalah sama dengan jumlah objek 3
jamak. Modifikasi struktur ini dilakukan dengan dimensi yang akan dikenali. Pada realisasi awal
mengganti setiap neuron dalam lapis tersembunyi sistem CSHL-NN yang dikembangkan, jumlah
JST perceptron lapis jamak konvensional dengan node pada setiap sub-lapis tersembunyi adalah
beberapa neuron yang membentuk sebuah sama dengan jumlah image yang dilatihkan
lingkaran. Dengan demikian maka dalam sistim (jumlah vektor sudut pandang yang dilatihkan)
JST perceptron lapis jamak yang baru, lapis untuk setiap objek 3 dimensi yang akan dikenali.
tersembunyi nya merupakan tumpukan dari Namun sistem awal CSHL-NN ini mengamati objek
sekumpulan neuron berbentuk lingkaran seperti 3D dari arah satu lingkaran penuh (00 sampai
dapat dilihat dalam Gb.1, sedangkan Gb.2 dengan 3600), sedangkan pada penelitian ini
menunjukkan apabila lapis tersembunyi terbentuk hanya akan dilakukan pengamatan dari bagian
dari sejumlah lingkaran yang akan membentuk separuh depan objek 3 dimensi saja.
sejumlah silinder sebagai lapis tersembunyinya.
Lapis masukan dari sistim perceptron lapis 2.2 Reduksi Dimensi dengan Metode Eigenface
jamak ini, seperti dalam sistim perceptron lapis
jamak konvensional, terdiri dari sekumpulan Misalkan learning set terdiri dari N citra
neuron dengan jumlah sama besar dengan jumlah wajah : {x1, x2, …, xN}, masing-masing terdiri dari n
pixel dalam citra gambar masukan. Jumlah neuron pixel, dimana n = lebar*tinggi citra. Asumsi bahwa
dalam lapis keluaran sistim JST ini juga sama setiap citra merupakan anggota salah satu dari C
dengan sistim perceptron lapis jamak kelas citra wajah : {X1, X2, …, Xc}. Setiap citra
konvensional, terdiri dari beberapa neuron yang dapat direpresentasikan sebagai vektor baris xi, i =
berkaitan dengan jumlah objek yang sedang 1...N, berdimensi n. Nilai n merupakan dimensi
diamati. Dalam percobaan yang akan dilakukan ruang citra, sehingga xi berada dalam ruang citra
disini, maka sudut pengamatan citra objek diambil berdimensi n. Rata-rata vektor citra, µ, dapat
dengan sudut pandang yang bergerak dari -900 diperoleh melalui persamaan berikut :
sampai dengan 900 dengan interval 100. 1 N
Sistim jaringan perceptron lapis jamak
dengan lapis tersembunyi berbentuk silinder ini
µ=
N
∑x
i =1
i
dikembangkan untuk dapat mengenali objek 3 Selisih vektor citra dengan rata-rata vektor
dimensi melalui image 2 dimensi, dengan adalah :
melibatkan informasi sudut pandang pengamat
untuk dapat digunakan dalam proses Φ i = xi − µ
pembelajaran sistim maupun pengenalannya. dengan i = 1...N. Matriks kovarian ST, disebut juga
Metoda ini menggunakan pasangan berarah sebagai matriks total-scatter citra, didefinisikan
antara vektor sudut pandang citra 2 dimensi sebagai:
dengan vektor posisi neuron pada lapis
S T = AT A dengan A = [Φ1, Φ2, …, ΦN].
tersembunyi untuk dapat menghasilkan sebuah
faktor yang berperan dalam menentukan besarnya Transformasi Karhunen-Loeve atau PCA
perubahan bobot dari neuron dalam lapis terhadap vektor citra akan menghasilkan vektor-
tersembunyi tersebut. vektor ciri yang memiliki total-scatter :
Kedua vektor anggota pasangan berarah
yang digunakan adalah : 1) Vektor Sudut
WS T W T
Pandang d(k) yang menunjukkan arah dan sudut dengan W adalah matriks tranformasi. Matriks
pandang dari pusat objek 3 dimensi ke posisi transformasi W yang dipilih adalah matriks dengan
kamera terhadap suatu acuan, dan 2) Vektor kolom-kolom ortonormal yang dapat
Posisi Neuron vs yang menunjukkan arah dari memaksimalkan determinan dari total-scatter
pusat linkaran neuron terhadap neuron tertentu vektor-vektor ciri. Atau :
pada sub lapis tersembunyi.
Kedua buah vektor anggota pasangan
W = arg max | WS T W T |
W
berarah tersebut akan menghasilkan dua faktor = [w1; w2; …; wm]
tambahan yang dinotasikan dengan fah dan fbh.
Kedua faktor tambahan ini, yang mengkaitkan dengan wi, i = 1…m, adalah kumpulan vektor
antara kedua vektor pasangan berarah, eigen dari ST (dalam bentuk vektor baris) yang
merupakan faktor yang sangat penting dalam bersesuaian dengan m nilai eigen terbesar.
menentukan besar perubahan bobot pada Vektor-vektor eigen ini, yang disebut juga pricipal
algoritma pembelajaran dan pengenalannya [19]. components, memiliki dimensi yang sama dengan
3
dimensi citra wajah, yaitu n, sehingga disebut

sebagai eigenfaces atau eigenpictures.
Eigenfaces merupakan vektor-vektor basis
dari ruang ciri dimensi-m. Transformasi citra dari
ruang citra dimensi-n ke ruang ciri dimensi-m
adalah :
y i = Φ iW T
dengan i = 1...N. Dengan demikian, dapat
diperoleh vektor ciri berdimensi m untuk masing-
masing citra. Besarnya nilai m dapat ditentukan
melalui persamaan berikut :
 ∑r d i 
m = min  iN=1 > θ 
 ∑i =1 d i
r
 Gb. 2 Arsitektur Lapis Tersembunyi Jaringan
CSHL Jamak
dengan θ adalah suatu nilai ambang atau
threshold dan memenuhi persamaam 0 <
2.3 Penggunaan Algoritma Genetika untuk
threshold ≤ 1.
CSHL-NN
Urutan langkah-langkah proses pengenalan
objek wajah 3 dimensi menggunakan CSHL-NN
Algoritma Genetika (Genetic Algorithms
berbasis metode Eigenface adalah seperti berikut:
/GA) merupakan sebuah algoritma pencarian yang
1. Pengambilan citra wajah dari objek wajah 3
dikembangkan berdasarkan mekanika seleksi
dimensi.
alami dan genetika alami oleh Holland [20] dan
2. Reduksi dimensi citra wajah dengan metode
kemudian dilanjutkan oleh Goldberg [21]. Prinsip
Eigenface
evolusi melalui seleksi alami yang dicetuskan
3. Tahap pelatihan CHSHL-NN.
Charles Darwin, adalah :
4. Tahap pengujian CHSHL-NN.
1. Setiap individu cenderung menurunkan sifat–
sifatnya kepada keturunannya.
Citra wajah ini bergerak dari –900 hingga +
2. Alam membentuk individu – individu dengan
90 dengan interval setiap 150 . Dapat pula dilihat
0
sifat yang berbeda–beda.
bahwa citra wajah ini juga mengandung
3. Individu–individu yang beradaptasi dengan
perubahan emosi seperti : normal, senyum, marah
baik, yang memiliki sifat–sifat terbaik
dan sedih. Secara keseluruhan, 5 sampai 10
cenderung memiliki keturunan lebih banyak
orang lelaki dan perempuan akan digunakan
daripada yang memiliki sifat–sifat tidak baik.
sebagai sampel. Semua sampel citra wajah
Mereka kemudian mendominasi populasi
merupakan orang Indonesia, dan proses
sehingga secara keseluruhan menuju sifat–
pengambilan gambar akan menggunakan
sifat yang lebih baik.
peralatan yang ada dalam Lab. Kecerdasan
4. Setelah periode yang panjang, variasi yang
Komputasional Fakultas Ilmu Komputer UI
ada terakumulasi dan menyebabkan
munculnya spesies baru yang berbeda.
Pada GA, parameter permasalahan

dikodekan menjadi sebuah string dengan panjang
berhingga yang terdiri dari sejumlah alfabet
berhingga. Pengkodean yang sering digunakan
adalah dengan menggunakan string biner yang
terdiri dari bit 1 dan bit 0. String ini biasa disebut
kromosom dan bit-bit yang menyusun kromosom
disebut gen. Pencarian solusi permasalahan
dengan GA melibatkan sejumlah populasi dari titik-
titik pada suatu ruang parameter. Setiap titik
tersebut disebut individu yang diwakili oleh
kromosomnya masing-masing. Pencarian
dilakukan dari satu generasi ke generasi
selanjutnya dengan menggunakan operator
Gb. 1. Arsitektur Dasar CSHL Tunggal evolusi, seperti selection, crossover, dan mutation.
4
Operator-operator evolusi tersebut diterapkan sehingga merepresentasikan sebuah solusi. Cara

pada setiap kromosom. Dalam mencari string yang paling umum dipakai untuk pengkodean
individu yang terbaik, GA menggunakan fungsi adalah string biner. Tiap kromosom mempunyai
objektif dari masing-masing kromosom individu. sebuah string biner. Tiap bit dalam string
Pemilihan solusi-solusi untuk membentuk solusi- merepresentasikan beberapa karakteristik dari
solusi baru didasarkan pada nilai fitness mereka. solusi atau keseluruhan bit dalam kromosom
Semakin tinggi nilai fitness, semakin tinggi merepresentasikan sebuah bilangan. Ada
kesempatan mereka untuk bereproduksi. beberapa cara lain pengkodean, tergantung dari
Hal tersebut diulang-ulang sampai suatu persoalan yang akan dipecahkan. Contoh cara lain
kondisi tercapai, misal : tercapainya sejumlah adalah : string yang berisi integer atau real.
generasi, atau ditemukannya satu solusi dengan
Algoritma Genetika untuk optimasi neuron
nilai fitness yang diinginkan.
lapis tersembunyi
Outline dari Algoritma Genetika
Penggunaan algoritma genetika dalam
1. [Start] Buat secara acak sebuah populasi optimasi jaringan neural buatan dilakukan untuk
yang terdiri n kromosom. mendapatkan jumlah neuron pada lapis
2. [Fitness] Hitung nilai fitness f(x) untuk tiap tersembunyi yang mendekati optimal. Seperti kita
kromosom x dalam populasi tersebut . ketahui, tingkat pengenalan jaringan neural yang
3. [New population] Buat sebuah populasi baru tinggi akan didapat apabila seluruh neuron
dengan cara melakukan proses a-d secara mempunyai selisih error yang sangat kecil, baik
berulang-ulang hingga terbentuk sebuah error positif atau negatif akan memnyebabkan
populasi baru. tingakt pengenalan menjadi menurun. Apabila
- [Selection] Pilih dua kromosom ,yang akan sejumlah neuron yang memberikan kontribusi error
bertindak sebagai parent, dari populasi yang besar dapat dihilangkan, sedangkan yang
lama berdasarkan nilai fitness-nya mempunyai selisih error kecil saja yang
(semakin besar nilai fitness, semakin dipertahankan, maka jaringan neural ini dapat
besar kemungkinan terpilih) diharapkan untuk memberikan tingkat pengenalan
- [Crossover] Berdasar nilai probabilitas yang lebih tinggi. Penhilangan neuron yang kurang
crossover, lakukan persilangan dua buah bermanfaat ini dapat dilakukan dengan dua cara,
parent untuk membentuk dua buah yaitu dengan membuang sejumlah bobot dari
kromosom baru (children). Jika setiap neuron yang memberi kontribusi selisih
berdasarkan nilai probabilitas, tidak error yang besar, atau dengan membuang
dilakukan persilangan, maka dua buah sejumlah neuron yang berarti membuang seluruh
kromosom baru yang dihasilkan adalah bobot keterhubungan dari neuron yang kurang
kopi dari dua buah kromosom lama. bermanfaat ini. Dalam penggunaan algoritma
- [Mutation] Berdasarkan nilai probabilitas genetika untuk optimasi jaringan neural CSHL dan
mutasi, lakukan mutasi pada dua buah HSHL, pendekatan pertama melalui optimasi
kromosom baru pada tiap lokus (posisi bobot menunjukkan hasil yang tidak memuaskan,
dalam kromosom). sehingga penelitian difokuskan ke pendekatan
- [Accepting] Letakkan dua buah kromosom kedua yaitu optimasi jumlah neuron pada lapis
baru dalam populasi yang baru. tersembunyi. Pengkodean kromosom yang dipakai
4. [Replace] Populasi yang baru terbentuk adalah string biner, dengan tiap bit dalam string
digunakan untuk menggantikan populasi yang kromosom merepresentasikan sebuah neuron. Bit
lama dalam proses selanjutnya. yang bernilai 1 merepresentasikan neuron yang
5. [Test] Jika kondisi akhir terpenuhi (sejumlah dipertahankan dan bit yang bernilai 0
generasi telah terbentuk atau nilai fitness merepresentasikan neuron yang dibuang.
yang diinginkan telah terbentuk) hentikan Kromosom 1 menyatakan bahwa neuron ke - 1, 2,
proses dan solusi terbaik dalam populasi 4, 5, 6, 7, 12, 13, 14, 15 dipertahankan dan neuron
terakhir adalah solusi yang dicari. ke – 3, 8, 9, 10, 11, 16 dibuang. Operator
6. [Loop] Kembali ke langkah 2 crossover yang dipakai adalah Roulette Wheel
Selection, Crossover dengan satu titik
Seperti yang terlihat pada outline Algoritma penyilangan, mutation.
Genetika di atas, crossover dan mutation adalah Nilai-nilai parameter GA yang digunakan
bagian-bagian yang paling penting dalam adalah :
algoritma genetika. Sebelum masuk ke dalam - Jumlah populasi = 60
penjelasan tentang crossover dan mutation, - Nilai probabilitas crossover = 0.6
berikut ini akan dijelaskan beberapa hal tentang - Nilai probabilitas mutation = 0.0333
pengkodean kromosom. Kromosom dikodekan - Jumlah generasi = 100
5
- Jumlah neuron yang terbuang pada awal matematik yang mengkaitkan antara setiap neuron
proses = 50% dalam struktur lapis tengah HSHL-NN dan
pengembangan algoritma Sistim Pengenal Wajah
Fungsi fitness
berbasis HSHL-NN.
Fungsi fitness yang dipakai sama dengan
optimasi bobot, yaitu banyaknya neuron yang
terbuang dibagi nilai error.
Jumlah _ node _ yang _ tebuang
f (x ) =
error
2.4 Pengembangan Hemisphere-Hidden Layer

Neural Network (HSHL-NN)
Seperti telah dibahas sebelumnya, Pemakalah

telah mengembangkan Sistim Pengenal Wajah 3-
D dengan citra yang mempunyai sudut pandang
antara – 900 hingga +900. Akan tetapi, penelitian
ini masih mempunyai keterbatasan untuk dapat
mengenal wajah 3-D yang sebenarnya terjadi
dalam penggunaannya. Batasan yang dibuat
Gb. 3. Arsitektur Dasar HSHL Tunggal
dalam penelitian ini adalah bahwa sudut elevasi
citra wajah yang akan dikenali harus berada atau
dianggap sebagai 00, sehingga apabila kamera
yang mengambil citra masukan mempunyai sudut
pandang elevasi tidak sama dengan 00 , maka
kecil kemungkinan bahwa sistim pengenal 3-D ini
akan mampu mengenalinya. Dalam kasus
penggunaan sebenarnya, sudut elevasi citra
masukan tidak dapat diketahui dengan pasti,
sehingga hal-hal yang berkaitan dengan
perubahan citra karena perubahan sudut elevasi
ini perlu dimasukkan dalam sistim pengenalannya.
Pemakalah akan mengajukan konsep baru Sistim
Pengenal Wajah 3-D dengan memodifikasi struktur
arsitektur jaringan syaraf tiruan yang berbeda
dengan arsitektur jaringan CSHL-NN. Pada
dasarnya, perbedaan ini terletak pada lapis
tersembunyi jaringan neural buatan, yang diubah
menjadi berbentuk setengah bola (hemisphere),
sehingga jaringan syaraf tiruan ini dinamakan Gb. 4 Arsitektur Lapis Tersembunyi Jaringan
sebagai Hemisphere Structure of Hidden Layer HSHL Jamak
Neural Network (HSHL-NN). Struktur HSHL-NN
ini dapat dilihat dalam Gb.3. Terlihat disini bahwa 2.5 Pengembangan Perangkat Keras Sistem
setiap neuron dalam lapis tersembunyi jaringan Pengenal Wajah 3D Berbasis HSHL-NN
neural buatan konvensional, akan diganti dengan
sekumpulan neuron yang membentuk struktur Perangkat keras yang dipergunakan dalam
setengah bola. Apabila kita menggunakan penelitian ini terdiri dari Perangkat Keras
sekumpulan setengah bola yang masing masing ‘Capturing Device’ dan Perangkat Keras Komputer
terdiri dari sekumpulan neuron untuk mengganti untuk menyimpan basis data yang didapat dari
sebuah neuron pada jaringan neurl propagsi balik Perangkat Keras Capturing Device. Perangkat
konvensional, maka kita akan mendapatkan keras Capturing Device merupakan perangkat
sebuah jaringan neural HSHL seperti tertera pada keras yang didesain dan dibuat oleh peneliti pada
Gb. 4. Perlu diketahui, bahwa penelitian mengenai Lab. Kecerdasan Komputasional, yang kemudian
Pengembangan Sistim Hardware untuk Sistim kita hubungkan dengan perangkat keras komputer.
Pengenal Wajah 3-D ini juga telah dikembangkan
bersamaan dengan pengembangan struktur lapis
tersembunyi HSHL-NN, penurunan perumusan
6
(a) (b)
Gb 5a. Capturing device dan posisi kamera yang Gb 5b. Sistem hardware untuk Sistem Pengenal
dapat diubah menyesuaikan dengan data yang Wajah sedang dipergunakan untuk membuat
akan dipakai database dari seorang model
Gb 6. Hasil pembuatan gambar 3 Dimensi dari seorang model
Perangkat Keras Capturing Device. Gambar 5 memperlihatkan posisi kamera dan cara
kerja perangkat keras Capturing Device ini,
Perangkat keras Capturing device ini terdiri dari: sedangkan salah satu hasilnya dapat dilihat pada
1 unit alat tempat pengambil citra objek Gb. 6.
(capturing device) untuk meletakkan objek yang
akan diambil citranya (dalam hal ini manusia). Perangkat Keras Komputer
3 kamera dipasang pada capturing device pada
sudut 0, 15, dan 45 derajat vertikal. Kamera Perangkat keras yang digunakan, terdiri dari
tersebut dihubungkan dengan 2 unit SUN Unix ♦ 2 unit SUN Sparc Station 4 untuk menangkap
workstation. citra.
♦ 3 unit SUN Camera II untuk mengambil citra
Cara kerja Perangkat Keras Capturing objek.
Device dapat dijelaskan sebagai berikut. Obyek ♦ 3 unit Komputer untuk memproses citra yang
didudukkan di kursi capturing device kemudian telah diambil
obyek diambil citranya untuk 19 sudut, yaitu sudut
–90, -80, -70, -60, -50, -40, -30, -20, -10, 0, 10, 20, Perangkat Lunak Komputer
30, 40, 50, 60, 70, 80, dan 90 derajat horizontal.
Tiga kamera akan menangkap citra dalam 3 sudut Untuk dapat menjalankan seluruh proses
vertikal yaitu 0, 15, dan 45 derajat. Jadi untuk tiap pengambilan data dan penyimpanannya dalam
obyek, citra yang ditangkap adalah 19 * 3 = 570 perangkat keras komputer, maka beberapa
citra yang berformat .pcx. perangkat lunak yang dipergunakan dapat
dijelaskan sebagai berikut.
7
♦ Konvertor format citra: untuk mengkonversi dilakukan menunjukkan peningkatan derajat

berkas citra dengan format sun raster menjadi pengenalan sistem. Sebagai salah satu contoh,
berkas dalam format pcx yang kemudian penggunaan server hanya untuk proses
diubah ke dalam format vektor citra. pembelajaran jaringan neural mulai memberikan
♦ Pengganti nama berkas : untuk mengubah hasil yang lebih baik. Juga kita telah menggunakan
nama file secara otomatis (batching). algoritma genetika untuk menentukan sejumlah
♦ Perangkat lunak grafis (Adobe Photoshop, MS eigen vektor yang paling memberikan hasil terbaik
Paintbrush): untuk proses cropping citra, selama proses pembelajaran sistem. Seperti kita
membuat grafik, dan diagram. ketahui, dalam penggunaan eigenface yang
diusulkan oleh Kirby dan Sirovich [7], ruang eigen
Pada dasarnya sistem Pengenalan Wajah 3 yang dibentuk hanya berdasarkan sejumlah eigen
Dimensi ini dapat dibagi menjadi lima bagian, vector dengan urutan nilai eigen terbesar saja.
yaitu: Pemakalah telah menggunakan GA sebagai alat
1. Sistem kamera, terdiri dari tiga buah kamera, untuk memilih sejumlah eigen vector yang optimal,
beserta tempat objek diambil citranya, dalam walau tidak selalu merupakan eigen vector dengan
hal ini manusia. Ketiga buah kamera tersebut nilai eigen terbesar yang dipilih untuk membentuk
dipasang secara vertikal pada bagian kedua ruang eigen. Penelitian awal menunjukan bahwa
alat tersebut. ruang eigen yang dibentuk akan memberikan hasil
2. Peubah data dari format citra pada sistim yang lebih baik, paling tidak sama besar dengan
kamera ke dalam format dalam bentuk vektor penggunaan ruang eigen yang diusulkan
citra. Berkas yang ditangkap oleh sistem sebelumnya. Penelitian mengenai penggunaan GA
kamera disimpan dalam format sun raster yang dalam menentukan sejumlah eigen vector yang
pada akhirnya akan diubah menjadi berkas optimal ini masih terus dilaksanakan hingga saat
dalam format vektor citra (disimpan dalam ini. Pemakalah juga mengusulkan untuk
bentuk matriks) agar dapat diproses oleh memperbaiki metoda Nearest Feature Line (NFL)
sistem JST dengan mengusulkan metoda Modified Nearest
3. HSHL. Data-data tersebut dimasukkan ke basis Feature Line (M-NFL) dan penelitian yang
data melalui antarmuka basis data. dilakukan menunjukkan bahwa terjadi peningkatan
4. Perangkat lunak JST: Merupakan perangkat derajat pengenalan yang cukup signifikan apabila
lunak yang mengakomodasi Hemisphere kita menggunakan M-NFL dalam menentukan
Structure of Hidden Layer (HSHL) Neural sudut pandang citra wajah yang tidak dikenal
Network. Perangkat lunak ini memproses data- sebelumnya [22]. Pada akhirnya Sistem Pengenal
data citra yang sudah dalam bentuk vektor citra Wajah 3D ini akan menggabungkan seluruh
yang akhirnya menghasilkan output. Perangkat subsistem yang dikembangkan secara terpisah
lunak ini mendapatkan data-data citra dari untuk di integrasikan menjadi satu kesatuan
basis data. Sistem Pengenal Wajah 3D yang tinggi tingkat
5. Antarmuka basis data dan peubah format ke pengenalannya.
dalam bentuk eigen: Perangkat lunak ini
menjembatani user dan basis data, sehingga 4. KESIMPULAN
user dapat memilih file data spatial yang
diinginkannya dan mengkonversinya ke bentuk Sistem Pengenal Wajah secara 3D sangat
Eigen bila perlu. diperlukan untuk identifikasi seseorang dalam
6. Basisdata: Sistem basisdata menyimpan rangka peningkatan keamanan. Pemakalah telah
semua data yang sudah dalam bentuk vektor mengajukan sebuah modifikasi struktur jaringan
citra. Data tersebut dibuat dalam format ruang neural buatan yang dinamakan sebagai
spasial. Basisdata diakses oleh antarmuka Hemisphere Structure of Neural Networks (HSHL-
basis data. NN) beserta perumusan model matematik dan
perangkat kerasnya untuk dapat merealisasikan
3. HASIL DAN RISET LANJUTAN Sistem Pengenal Wajah secara 3D ini. HSHL ini
dikembangkan dengan mengganti setiap neuron
Sistem Pengenal Wajah secara 3D pada lapis tersembunyi jaringan neural propagasi
menggunakan HSHL-NN ini telah digunakan untuk balik konvensional dengan sejumlah neuron yang
mengenal wajah dari beberapa model orang membentuk setengah bola. Karena sedemikian
Indonesia yang dilakukan di Laboratorium banyak jumlah neuron pada lapis tersembunyi, dan
Kecerdasan Komputasional Universitas Indonesia. tidak semua neuron memberikan kontribusi positif
Pada tahap awal penelitian ini, tingkat pengenalan terhadap peningkatan derajat pengenalan sistem
sistem masih berkisar antara 50 hingga 60%. Akan ini, maka dilakukan pemotongan sejumlah neuron
tetapi beberapa perbaikan sistem yang sedang
8
yang memberikan kontribusi negatif terhadap conference 1992, 489-507, David Hogg and
pengenalan sistem. Pemotongan sejulah neuron Roger Boyle eds, Springer Verlag, 1992.
ini dilakukan dengan menggunakan algoritma 9. M. Turk and A. Pertland, “Face recognition
genetika. Studi pendahuluan menunjukkan bahwa using Eigenfaces”, Proc. IEEE CCVP’91, pp.
jaringan neural yang sudah teroptimasi ini akan 586-591, 1991.
menghasilkan tingkat pengenalan yang lebih 10. M. Loeve, Probability Theory, Princeton, N.J.
tinggi. Juga penggunaan representasi data dalam Van Nostrand, 1955.
ruang eigen akan pula meningkatkan pengenalan 11. S. Ullmann and R. Basri, “Recognition of linear
sistem secara keseluruhan. Untuk mendapatkan combination of models,” IEEE Trans. PAMI,
representasi ruang eigen yang optimal berkaitan vol13, no.10, pp. 992-1007, 1991.
dengan sejumlah data citra wajah, maka penelitian 12. T. Poggio and S. Edelman, “ A network that
awal menunjukkan bahwa penentuan eigen vector learns to recognize three dimensional objects,”
yang akan digunakan tidaklah harus berdasarkan Nature, vol. 343, no. 6255, pp. 263-266, 1990.
urutan nilai eigen yang terbesar. Algoritma 13. R. Nevatia and T. O. Binford, “Description and
genetika dapat dipergunakan untuk menentukan recognition of curved object,” Artificial
sejumlah eigen vector yang paling memberikan Intelligence, 8, 77-98 (1977).
kontribusi tingkat pengenalan yang tinggi 14. O. D. Faugeras and M. A. Hebert, “3-D
walaupun tidak mempunyai urutan nilai eigen recognition and positioning algorithm using
terbesar. Hal ini disebabkan karena citra wajah geometrical matching between primitive
yang dibentuk dalam ruang spatial tidaklah surface,” Proc. Int. Joint Conf. Artificial
merupakan representasi yang ideal, karena Intelligence, 996-1002 (1993).
kemungkinan terjadinya distorsi citra pada saat 15. P. Horand and R. C. Bolles, “3DPO’s startegy
pengolahan data awal maupun pada saat for matching three dimensional objects in
pengambilan citra itu sendiri. range data,” Proc. Int. Conf. Robotics, Atlanta,
GA, USA, 75-85 (1985)
16. A. Pentland, B. Moghaddam and T. Starner, “
REFERENSI
View-based and modular eigenspaces for face
recognition,” Proc. IEEE Conf. Computer
1. R. Chellapa, C.L. Wilson and S. Shihorey, “
Vision and Pattern Recognition, Seattle, June,
Human and machine recognition of faces”,
1994
Proceeding of the IEEE, 83(5):705-740, 1995
17. Miyanaga et al, “ A recognition system of three
2. A. Samal and P.A. Iyengar, “ Automatic
dimensional objects using parallel/pipelined
recognition and analysis of human faces and
nonliniear signal processing”, IEEE Proc. of
facial expressions: A survey” Pattern
Signal Processing Symposium, pp 135-139,
Recognition, 25(1):65-77, 1992
1095
3. D. Valentine, H. Abdi, A.J. O’Toole and G.W.
18. S.Z. Li and J.Lu “ Face recognition using the
Cottrell, “Connectionist models of face
nearest feature line method” IEEE Trans. On
processing: A Survey, Pattern Recognition, 27
neural networks, vol 10, no.2, pp 439-443,
(9), 1209-1230, 1994
1999
4. R. Brunelli and T. Poggio, “Face recognition
19. B. Kusumoputro, “3-D face reconstruction
through geometrical features”, Proceedings of
recognition system using cylindrical hidden
ECCV 92, Santa Margherita Ligure, pp. 792-
layer neural networks and its optimization
800, 1992.
through genetic algorithms”, IASTED
5. R. Brunelli and T. Pogio,”Face recognition:
International Conference Artificial Intelligence
Features versus template,” IEEE Trans Pattern
and Computational Intelligence, Tokyo, 118-
Analysis and Machine Intelligence, vol 15, no
123, 2002
10, 1042-1052, 1993.
20. J. H. Holland, “ Adaptation in natural and
6. I. Craw, D. Tock and A. Bennet, “Finding face
artificial systems”, Ann Arbor, University of
features”, Proceedings of ECCV 92, Santa
Michigan Press, (1975).
Margherita Ligure, G. Sandini, ed, Sprineger-
21. D. E. Goldberg, “Genetic Algorithm in Search,
Verlag, pp. 93-96, 1992.
Optimization, and Machine Learning”, Addison
7. M. Kirby and L. Sirovich, “Application of the
– Wesley, (1989).
Karhunen-Loeve procedure for the
22. Lina and B. Kusumoputro, “Determination of 3-
characterization of human face”, IEEE Trans
D image viewpoint using modified nearest
PAMI, vol 12, no.1, pp. 103-108, 1990.
feature line method in its eigenspace domain”,
8. I. Craw and P. Cameron, “Face recognition by
WSEAS Transactions on Computers, Vol. 2,
computer,” Proc. British Machine Vision
No. 1, 140 – 147, 2003
9
RIWAYAT PENULIS pada Fakultas Pascasarjana pada tahun 1986

hingga 1995. Pada tahun 1993 mendapat gelar
Benyamin Kusumoputro, lahir di Bandung pada
Ph.d dalam bidang Biosensor pada Depertment of
tanggal 17 Novemper 1957. Menyelesaikan
Electrical and Electronic Engineering, Tokyo
pendidikan S1 pada Departemen Fisika Institut
Institute of Technology, Tokyo Jepang. Sejak
Teknologi Bandung pada tahun 1981, S2 pada
tahun 1995 menjadi Staf Pengajar pada Fakultas
Departemen Elektro bidang Optoelektronika dan
Ilmu Komputer Universitas Indonesia, dan
Aplikasi Laser pada tahun 1984. Dia kemudian
mengembangkan riset dalam Bidang Kecerdasan
bekerja pada PT. Phillips Development
Komputasional yang berbasis Jaringan Syaraf
Corporation pada tahun 1984 hingga 1986, dan
Tiruan, Algoritma Fuzzy dan Algoritma Genetika.
kembali ke Universitas Indonesia untuk menjadi
Staf Pengajar
10
Pemodelan dan Simulasi Antrian Kendaraan

di Gerbang Tol
Wahyu Sediono, Dwi Handoko
Center for the Assessment and Application of Information Technology and Electronics (P3TIE-BPPT)
Communication and Computation Technology Division
BPPT Building II 4th Fl., Jl. M. H. Thamrin No. 8, Jakarta 10340
E-mail: sediono@yahoo.com, dwih@inn.bppt.go.id
Abstract
The traffic situations in Indonesian big cities, especially in the capital city, are so
crowded that traffic jam can be found anywhere at anytime. This traffic condition
may causes several problems such noise problem, environmental problem, energy
loss problem and others. Even it is easy to understand if this undesirable
conditions could give the influence on the national productivity at all levels of
society. In order to decrease such traffic jam problems, a well planned traffic rules
may usefully to reduce the traffic jam. Currently, we are developing traffic
simulation tools in BPPT, in order to be applied in the traffic planning. In this paper
a model of traffic conditions at the highway gate driven by the vehicles in- and out-
flow is introduced. This modeling is so flexible that it can also be used to model
various queuing systems such as queues at the cashiers of supermarket and in the
bank. By using this model we can also perform simple traffic analyses in the
highway gate.
Keywords: traffic simulator, queing system, highway gate traffic modelling
Pendahuluan kecepatan rendah, sehingga gas buang yang

ditimbulkan pada suatu saat di daerah tertentu
Begitu parahnya kondisi lalu lintas di kota-kota dapat menyebabkan pencemaran udara yang
besar Indonesia, terutama di Jakarta, sehingga parah. Selain itu kebisingan yang terjadi saat
kemacetan selalu terjadi setiap hari di seluruh kondisi macet pun dapat menjadi sumber
bagian kota. Di pagi hari kemacetan lalu lintas pencemaran lingkungan yang serius. Dapat
terjadi terutama di ruas-ruas jalan masuk menuju dipahami apabila kondisi yang tidak nyaman ini
Jakarta. Pada sore harinya, saat pulang kerja, dapat meningkatkan stress baik bagi pengguna
kemacetan dilaporkan sering terjadi di ruas-ruas jalan maupun bagi penduduk di sekitarnya. Dalam
jalan di pinggir kota yang menuju ke luar Jakarta. jangka panjang, kemacetan lalu lintas ini dapat
Sementara itu, pada akhir pekan atau hari-hari menyebabkan penurunan produktifitas kerja di
libur, kemacetan muncul di ruas-ruas jalan yang semua sektor kehidupan masyarakat.
menjadi akses menuju pusat-pusat hiburan massal
atau daerah peristirahatan. Sejalan dengan Ada beberapa faktor yang mempengaruhi
perkembangan pembangunan fisik di seluruh kelancaran lalu lintas di jalan raya. Yang pertama
wilayah Indonesia, kecenderungan ini tampaknya adalah kondisi jalan raya itu sendiri. Jalan raya
akan terjadi dan menyebar ke berbagai daerah yang rusak atau terlalu sempit dapat menimbulkan
lain, sehingga praktis setiap hari senantiasa terjadi kemacetan lalu lintas. Selain itu, arus masuk dan
kemacetan lalu lintas di berbagai ruas jalan keluar kendaraan yang melebihi kapasitas jalan
perkotaan di Indonesia. raya pun dapat menjadi penyebab kemacetan.
Kondisi lalu lintas yang semrawut dan kemacetan Tidak kalah pentingnya adalah perilaku pengguna
yang parah ini telah menimbulkan berbagai jalan saat berlalu lintas. Faktor lainnya adalah
dampak negatif terhadap lingkungan dan manusia. rambu-rambu lalu lintas yang sering
Saat terjadi macet pada umumnya kendaraan membingungkan pelaku lalu lintas di jalanan.
hanya dapat merambat maju ke depan dengan
11
Gambar 1: Model antrian kendaraan di gerbang tol
Untuk mengatasi kemacetan lalu lintas, kami apabila tetap dipaksakan untuk digunakan di jalan
tengah mengembangkan perangkat lunak simulasi tol. Perilaku pengemudi yang kurang mentaati
lalu lintas yang berguna untuk perencanaan lalu peraturan berkendera di jalan tol juga dapat
lintas. Dengan perangkat lunak itu, kondisi lalu memperlambat arus kendaraan. Bahkan, tidak
lintas atas sebuah skema aturan lalu lintas dapat jarang kebiasaan para pengemudi yang jelek ini
diprediksikan sebelum diterapkan [DwiH02]. dapat menyebabkan kemacetan total pada saat
terjadi kecelakaan.
Pada makalah ini, sebagai bagian dari simulator
lalu lintas yang dikembangkan, diambil contoh Komponen pemroses berfungsi menentukan cepat
kasus antrian kendaraan yang terjadi di gerbang lambatnya sebuah kendaraan masuk ke dalam
tol, penulis telah membuat model situasi lalu lintas atau keluar dari antrian. Dalam kasus antrian di
yang berbasis pada arus masuk dan arus keluar gerbang tol kecepatan pemrosesan ini sangat
kendaraan. Model antrian ini telah dipengaruhi oleh kecekatan petugas melayani
diimplementasikan ke dalam sebuah program transaksi pembayaran tol, kecepatan
komputer, dan cukup fleksibel sehingga dapat mesin/hardware pemroses dan kehandalan
diterapkan untuk berbagai problem antrian, seperti software yang mendukung proses di gerbang tol.
antrian di bank dan antrian di kasir-kasir toko.
Dengan program aplikasi ini kita dapat membuat
simulasi arus kendaraan di gerbang tol. Analisa- Dalam implementasinya ke dalam program
analisa sederhana mengenai berbagai kondisi arus software, sifat-sifat kedua komponen antrian
kendaraan pun dapat dikerjakan dengan program terutama ditentukan oleh dua parameter berikut:
ini. panjang (kapasitas) antrian l dan waktu
pemrosesan t. Selain kedua faktor l dan t, arus
kendaraan yang menjadi indikator kemacetan lalu
Model Antrian lintas ditentukan pula oleh jumlah jalur m sebelum
gerbang tol, jumlah gerbang tol g dan jumlah jalur
Dalam bentuknya yang mendasar suatu sistem n sesudah gerbang tol [Lie97]. Dalam gambar 1
antrian dapat digambarkan dengan sebuah model ditampilkan sebuah sistem antrian di gerbang tol
yang terdiri dari komponen antrian dan komponen yang terdiri dari jalur m = 1, n = 1 dan g = 3.
pemroses [Wal91, Dai92]. Untuk kasus antrian di
gerbang tol, panjang komponen antrian ditentukan
oleh berbagai faktor seperti kondisi fisik jalan raya, Simulasi
kondisi fisik kendaraan, perilaku pengguna jalan
raya dan arus kendaraan di jalan tol. Kondisi jalan Struktur data simulasi dapat diturunkan dari model
raya yang buruk atau penyempitan jalan dapat yang telah disepakati di atas (gambar 1). Dengan
menimbulkan antrian yang panjang. Kelayakan menentukan parameter-parameter l, t, m, n, dan g
kendaraan juga sangat mempengaruhi situasi kita dapat membuat model suatu sistem antrian di
antrian, misalnya: mobil tua yang sudah tidak layak gerbang tol.
pakai akan dapat memperlambat arus kendaraan
12
ini dapat diimplementasikan dengan membuat

sebuah object konektor yang sesuai.
Pada dasarnya, dengan menyediakan struktur

data dan algoritma yang pas kita telah dapat
membuat simulasi antrian kendaraan di gerbang
tol. Namun untuk lebih memudahkan
pengoperasiannya kita masih harus merancang
‘user interface’ program simulasi ini [Kra98]. Dalam
makalah ini topik ini tidak akan dibahas lebih jauh
lagi karena sudah berada di luar konteks
pembicaraan.
Diskusi
Sebuah simulasi sistem antrian 2,4,2 (terdiri dari

antrian 2 jalur di depan gerbang tol, 4 gerbang tol
aktif dan antrian 2 jalur di belakang gerbang tol)
ditampilkan dalam gambar 3. Kedua garis biru
Gambar 2: Alur diagram untuk antrian di depan adalah dua konektor yang menggambarkan
gerbang tol peralihan arus kendaraan dari antrian di depan
gerbang tol ke dalam antrian di gerbang tol.
Setelah struktur data ditentukan kita masih perlu Angka-angka hitam di bawah setiap
membuat alur diagram untuk menggambarkan kotak/lingkaran menunjukkan identitas setiap
perilaku sistem antrian. Sebuah contoh alur kendaraan, sedangkan angka biru menunjukkan
diagram sederhana ditampilkan dalam gambar 2. waktu tunggu setiap kendaraan di dalam antrian.
Untuk menggambarkan peralihan dari antrian
sebelum dan di dalam gerbang tol masih Dalam simulasi sederhana ini hanya arus
diperlukan sebuah strategi efisien dalam memilih kendaraan yang menjadi fokus pembicaraan. Arus
gerbang tol dengan jumlah antrian terpendek. kendaraan terutama ditentukan oleh waktu
Dalam sistem pemrograman berorientasi object hal pemrosesan di gerbang tol dan rasio jumlah jalur di
Gambar 3: Simulasi sistem antrian gerbang tol 2,4,2
13
depan gerbang tol dan jumlah gerbang yang aktif. [Kra98] U. Kramer and M. Neculau,
Hasil simulasi menunjukkan bahwa panjang Simulationstechnik, Hanser, Muen-chen, 1998
antrian yang kita inginkan sangat ditentukan oleh
arus kendaraan yang telah didefinisikan [Lie97] E. Lieberman and A. K. Rathi, "Traffic
sebelumnya (parameter t, m dan g). Simulation", Traffic Flow Theory, Oak Ridge
National Laboratory, 1997
Kesimpulan [Wal91] B. Walke, Datenfernver-arbeitung II:

Verkehrstheoretische Modell von Echtzeitsystemen
Telah ditunjukkan dalam diskusi di atas bahwa und Rechnernetzen, RWTH, Aachen, 1991
pemodelan kondisi antrian di gerbang tol telah
berhasil diimplementasikan ke dalam software Riwayat Penulis
yang sederhana. Atas dasar prinsip yang mudah
dipahami, dengan membuat struktur data dan alur Wahyu Sediono
diagram yang sesuai, software ini cukup fleksibel Lahir di Surabaya, 13 Desember 1966.
untuk diaplikasikan pada berbagai kondisi antrian Menyelesaikan Dipl. Ing di bidang Information
lainnya, seperti antrian yang biasa ditemui di bank Technology pada tahun 1997 dari RWTH Aachen
ataupun di depan kasir-kasir supermarket. Dari Jerman dan Dr.-Ing di bidang Biomedical
diskusi di atas dapat disimpulkan bahwa panjang Engineering pada tahun 2003 dari Universitaet
antrian yang diinginkan dapat diatur dengan Karlsruhe, Jerman. Bekerja di P3TIE.
melakukan kontrol terhadap arus kendaraan
masuk dan keluar. Dwi Handoko
Lahir di Jakarta 25 April 1970.
Menyelesaikan S1, S2 di bidang
Daftar Pustaka Electronic Engineering tahun
1994 dan 1996 dari Miyazaki
[DwiH02] Dwi Handoko, Desain Simulator University, Jepang.
Kendaraan, Proc. KOMMIT 2002, pp. B-16 – B20, Menyelesaikan S3 di bidang
2002 Electronic Engineering tahun
2001 dari Shizuoka University
[Dai92] J. N. Daigle, Queueing Theory for Jepang. Bekerja di P3TIE BPPT. Dr. Dwi Handoko
Telecommunications, Addison-Wesley, Reading, adalah member dari IEEE.
1992
14
ESTIMASI KARAKTERISTIK PROPAGASI GELOMBANG

ELEKTROMAGNETIK PADA
SISTEM KOMUNIKASI BERGERAK
Dr. Hary Budiarto
P3TL-BPPT Jl. Mh. Thamrin 8 Gd. BPPT II lt. 21 Jakarta
Email : hary@webmail.bppt.go.id
Abstract
Wave propagation prediction models are very crucial in determining propagation
characteristics for any arbitrary installation on the implementation of mobile radio
communication system. The prediction models are required for proper coverage
planning and the determination of multipath eﬀects as well as interference. Our
preceding researches show that multipath propagation can be observed at many
scatterers on the building surface.
This paper presents the development of simulation techniques for the estimation of
electromagnetic wave propagation characteristics on the building surface. Physical
Optics (PO) approximation is performed to approximate equivalent currents and the
total fields on the integration surface. A model of the rectangular microstrip array
antenna was scanned spatially to detect multipath wave scattering. Superresolution
method was also applied as an approach to handle signal parameters (DOA, TOA)
of the individual incoming waves scattered from building surface roughness. The
experimental and simulation results of the signal parameters of the arrival waves
are compared in order to investigate accuracy of the prediction model.
Keyword : Multipath, Physical Optics, Wave Propagation Modeling, Mobile

Communication, Superresolution, Electromagnetic Wave.
yang dipancarkan dari suatu antenna pemancar

1. PENDAHULUAN (transmitter). Dibandingkan dengan metode
lainnya seperti Method of Moment (MOM), dan
Pemodelan propagasi gelombang sangat Fast Multipole Method (FMM), POA mempunyai
dibutuhkan bagi perencanaan, pembangunan dan kelebihan lebih sederhana proses komputasinya
pengembangan sistem komunikasi bergerak. Hal dan lebih pendek waktu komputasinya, akan tetapi
itu akan digunakan antara lain untuk memprediksi mempunyai akurasi perhitungan yang cukup tinggi.
luasan daya jangkau suatu pemancar, untuk Sehingga cocok untuk dipilih untuk
mengetahui efek dari multipath gelombang dan mensimulasikan propagasi gelombang yang
inteferensi gelombang. Hasil riset terdahulu terscatter pada permukaan gedung yang cukup
menunjukan bahwa pada daerah perkotaan, luas.
propagasi gelombang multipath banyak berasal Profile gedung yang akan digunakan berasal dari
dari permukaan gedung(1). Bagaimanapun model suatu gedung yang sesungguhnya dan
gelombang multipath tersebut yang menyebabkan permukaannya terdiri dari berbagai material serta
terjadinya penurunan pada kinerja sistem mempunyai berbagai lekukan yang cukup
komunikasi bergerak. Selain itu pemodelan signifikan (roughness). Untuk pemodelan antena
mikroskopik scattering pada suatu obyek sangat pemancar digunakan mikrostrip antena dengan
diperlukan untuk memprediksi wilayah yang lebih pertimbangan bahwa permukaan gedung
besar (makrokospik). Paper ini akan membahas menerima gelombang elektromagnetik harus dari
teknologi prediksi propagasi gelombang multipath berbagai arah dan menscatter kembali ke segala
yang terscatter pada suatu permukaan gedung arah, sedangkan model sintentik rectangular
dengan menggunakan salah satu high frequency microstrip antena array digunakan pada antena
method yaitu Physical Optics Approximation penerimanya yang mempunyai tujuan agar dapat
(POA). Metode POA ini akan digunakan untuk menerima gelombang multipath. Pada tahap akhir
menghitung arus listrik dan total kekuatan medan simulasi dilakukan analisis signal parameter
listrik pada suatu permukaan gedung yang gelombang multipath seperti Direction of Arrival
diperoleh dari suatu gelombang elektromagnetik (DOA) dan Time of Arrival (TOA) dari gelombang
datang yang terscatering dari permukaan gedung
15
dengan menggunakan metode superresolution k 0W

yaitu 3D Unitary ESPRIT. Hasil analisis Z= cos θ (3)
menunjukkan bahwa tingkat akurasi signal 2
parameter yang diperoleh dari simulasi sangat
mendekati dengan hasil eksperimennya.
k0 adalah panjang gelombang, W dan L adalah
panjang patch pada antena mikrostrip, sedangkan
h adalah tinggi patch dan Le adalah panjang efektif
2. METODOLOGI patch. Gambar 2 menunjukkan medan radiasi
antara hasil perhitungan dan hasil pengukuran
2.1. Profile Gedung pada anechois chamber yang tidak mempunyai
Profile gedung ditunjukkan pada gambar 1 perbedaan yang cukup signifikan.
mempunyai permukaan yang non uniform dan
periodik. Permukaan gedung mempunyai berbagai
material yaitu gelas, aluminium dan batu bata.
Panjang 1 periodiknya 3.7 meter. Terdapat jendela
berukuran masing-masing yaitu 0.85 x 1.5 m2, 0.8
x 1.5 m2, dan 0.85 x 1.5 m2 , yang mempunyai
kedalaman masing-masing adalah 0.12 dan 0.6
meter dari dinding (tembok). Hal ini sebanding
dengan frekuensi gelombang yang digunakan yaitu
4.95 GHz dengan bandwith 180 MHz. Dindingnya
dilapisi batu-bata yang berukuran 0.1 x 0.05 m
dengan pemisah diantaranya sebesar 0.01 m.
Gambar 2 Pola Medan Radiasi Antena Pemancar
2.3. Propagasi Vektor

Untuk menghitung gelombang elektromagnetik
yang terpropagasi dari permukaan gedung ke
antena penerima digunakan propagasi vektor.
Rumus propagasi vektor berasal dari formula
green function yang dituliskan sebagai berikut :
1
f (r ' , J , r , k 0 ) = − jk 0η ( I + 2
∇∇ ) ∫∫ J (r ' )G (r | r ' )ds
Gambar 1. Profile Permukaan Gedung k0 s
(4)
Dengan G(r|r’) adalah green function, r’ dan r
2.2. Medan Radiasi pada Transmiter
menyatakan masing-masing koordinat titik sumber
Gelombang elektromagnetik yang diapancarkan dan titik tujuan. Sedangkan J(r’) adalah distribusi
dari tansmitter menggunakan rumus dibawah ini : arus listrik pada titik tujuan.
k 0 hWE 0 e jk0 r  sin( X ) sin( Z ) 

Eφ = j  sin θ 
πr  X .Z  2.4. Impedance Surface PO Current
Untuk menghitung distribusi arus listrik pada
k L  permukaan gedung yang mempunyai berbagai
cos 0 e sin θ sin φ  (1)
material digunakan formula impedance surface
 2  Physical Optics (PO) Current yang dituliskan
dengan, sebagai berikut :
k0h J po = (1 + α )nxH (5)

X = sin θ cos φ (2)
2
16
η−Z
α= (6) Sedangkan tahap II mempunyai langkah-langkah
η+Z yaitu :
• Menentukan luasan untuk pergerakan antena
η = µ0 / ε 0 (7) penerima dan koordinat dari mikrostrip patch
• Menentukan sudut azimuth dan elevasi (θ, φ).
dengan H adalah incident magnetic field atau untuk arah antara titik koordinat patch antena
medan magnetik yang datang, α merupakan dengan titik pusat semua elemen pada
koefisien refleksi, η adalah impedansi gelombang permukaan gedung
pada ruang bebas, µ adalah permebilitas dan ε
• Menghitung kuat medan listrik untuk setiap
adalah dielektrik konstan.
patch pada antenna penerima dengan sumber
dari semua elemen di permukaan gedung
• Menghitung total medan listrik dengan
2.5. Tehnik Simulasi
menjumlahkan kontribusi dari setiap elemen
Perhitungan propagasi gelombang pada dari permukaan gedung dengan memasukan
permukaan gedung dapat dibagi menjadi 2 tahap faktor dari gain antenna penerima
perhitungan yaitu : • Mengulangi kembali langkah diatas untuk
Tahap I menghitung distribusi arus listrik pada panjang gelombang yang berbeda
permukaan gedung dan tahap kedua menghitung • Mengulangi kembali langkah diatas untuk
medan listrik total pada antena penerima posisi yang berbeda dalam spatial region
(receiver).
2.6. Model Spatial Scanning
Untuk merepresentasikan suatu sistem komunikasi

bergerak diperlukan menggerakkan antena
penerima atau melakukan spatial scanning pada
sintentik mikrostrip antena array. Gambar 4
menunjukkan model spatial scanning dengan
ukuran 0.5 m x 8.125 m. Sedangkan
pergerakannya mempunyai interval 0.1 m. Untuk
sebuah sintetik mikrostrip antena array mempunyai
ukuran 10 x 10 patch dengan interval masing-
masing patchnya 0.025 m.
Gambar 3 Strategi Simulasi
Gambar 3 menunjukkan strategi dari kedua tahap

simulasi yang telah disebutkan diatas, untuk tahap
Gambar 4 Model spatial Scanning tampak atas
I dapat diuraikan langkah-langkahnya yaitu :
• Menghitung medan radiasi untuk far-field untuk
2.7. Pengolahan Sinyal
semua sudut azimuth dan elevasi (θ, φ) pada
transmitter.
Setelah proses penghitungan kuat medan listrik
• Membuat diskretisasi permukaan gedung pada setiap patch dari antena penerima selesai
menjadi elemen yang kecil. dilanjutkan ke proses berikutnya yaitu pengolahan
• Menentukan elemen-elemen yang masuk sinyal dengan menggunakan salah satu metode
daerah iluminasi dan daerah bayangan. superresolution yaitu 3D Unitary ESPRIT (1) (2)
• Menentukan koordinat titik pusat untuk setiap sehingga didapatkan parameter dari signal yang
elemen pada permukaan gedung. diterima pada receiver. Parameter tersebut antara
• Menghitung medan listrik pada setiap titik lain Direction Of Arrival (DOA) yang terdiri dari
pusat elemen dengan menggunakan vektor besar sudut azimuth dan sudut elevation, Time Of
propagasi dan memasukan factor gain antena. Arrival (TOA) dan kuat medan listriknya.
• Menghitung distribusi arus listrik pada setiap
elemen dengan menggunakan formula POA.
• Mengulang kembali langkah diatas untuk
panjang gelombang yang berbeda.
17
3. HASIL DAN PEMBAHASAN Bila satu garis vertikal ditarik keatas akan
mempunyai beberapa poin, hal itu menjelaskan
3.1. Hasil Simulasi bahwa dalam satu titik observasi terdapat
beberapa signal (multipath) yang datang. Nampak
Setelah dilakukan proses pengolahan sinyal sebagian besar signal yang datang mempunyai
dengan 3D Unitary ESPRIT, didapatkan signal
sudut datang yang sama dengan sudut spekular
parameter untuk setiap multipath signal yang refleksi. Pada gambar 6 memperlihatkan bahwa
datang. Proses simulasi akan menganalisa sudut elevasi bernilai nol, hal tersebut
karakteristik gelombang propagasi yang terscatter
menunjukkan bahwa sebagian besar signal yang
dari permukaan gedung untuk 70 titik observasi. datang mempunyai sudut spekular. Sedangkan
Satu titik observasi merupakan hasil analisa dari tiga garis yang berbeda menjelaskan batas antara
signal multipath yang diterima dengan
jendela dengan dinding batu-bata (bricks). Tampak
menggunakan 10 x 10 patch di antena penerima, pada grafik ada signal datang yang berasal dari
jadi setiap titik observasi dilakukan pengolahan permukaan gedung yang terbuat dari batu bata
data matriks 2 dimensi dengan jumlah 100 elemen.
(bricks), bricks I berarti datang dari arah atas dan
Sedangkan parameter signal yang diperoleh terdiri bricks II datang dari arah bricks bagian bawah.
dari sudut azimuth, sudut elevasi, time delay dan
signal power. Dari parameter tersebut
menunjukkan bahwa karakteristik multipath signal
terdiri dari gelombang refleksi, spekular diffraksi
dan second order scattering. Untuk mengetahui
distribusi dari jenis multipath signal untuk semua
titik observasi akan digambarkan dalam bentuk
grafik untuk setiap signal parameter untuk 70 titik
observasi.
3.1.1. Direction of Arrival (DOA)

Gambar 5 menunjukkan signal parameter untuk
sudut azimuth di 70 titik observasi. Pada gambar
tersebut terdapat lima garis yang menunjukkan
Gambar 6 Signal Parameter untuk Sudut Elevasi
sudut bila signal merupakan gelombang refleksi
(specular angle) dan besar sudut dari lokasi 3
frame jendela sehingga dapat diketahui material
dari bidang pantul signal yang datang. Sedangkan Hasil analisis menunjukkan bahwa model
besar sudut datangnya digambarkan dengan poin- gelombang yang terdifraksi, sebagian besar
poin berbeda untuk setiap jenis bidang pantul. signalnya terpantul berasal dari setiap sisi dari
Bagian vertikal grafik menggambarkan besar frame jendela yang horizontal dan vertikal atau
sudutnya sedangkan yang horisontalnya daerah batasan antara jendela dengan lapisan
merupakan lokasi titik observasinya. bata dan daerah batasan antara jendela.
Fenomena signal difraksinya menggambarkan
keller’s law of diffraction yang dapat ditunjukan
pada gambar 7 dan 8. Pada gambar 7
menunjukkan model gelombang yang terdifraksi
dari frame yang horizontal dengan sifat sudut
azimuth berupa sudut spekular (refleksi).
Sedangkan gambar 8 menunjukkan gelombang
yang terdifraksi pada frame yang vertikal dengan
sifat sudut elevasinya berupa sudut spekular.
Gambar 5 Signal Parameter untuk Sudut Azimuth
18
Delay time digunakan juga untuk

mengkonfirmasikan path atau jejak signal dari
transmitter sampai datang ke receiver. Gambar 10
menunjukkan hasil perbandingan antara hasil
eksperimen dan simulasi dengan POA untuk
permukaan gedung yang berupa batu bata,
dibandingkan dengan hasil pada gambar 9
perbedaan rata-rata path gain maupun delay time
cukup besar.
Gambar 7 Model Signal Difraksi pada farme yang
Horisontal
Gambar 10 Perbandingan time delay dan path

Gambar 8 Model Signal Difraksi pada farme yang gain untuk bidang pantul batu bata (bricks)
Vertikal
4. KESIMPULAN
3.1.2. Time of Arrival (TOA)
Paper ini telah menjelaskan estimasi karakteristik
Untuk mengetahui akurasi data dari parameter propagasi gelombang elektromagnetik untuk
signal seperti DOA dan TOA dapat dengan aplikasi komunikasi bergerak dengan
membandingkan dengan hasil data eksperimen. menggunakan tehnik simulasi dengan metode
Gambar 9 menunjukkan hasil perbandingan antara Physical Optics. Metode ini mempunyai akurasi
path gain (power) dan delay time antara data yang cukup signifikan, hal itu terlihat dari hasil
eksperimen dan simulasi dengan metode POA perbandingan signal parameter antara simulasi
untuk bidang pantul jendela. Untuk path gainnya dan eksperimennya. Kesalahan estimasi cukup
kesalahan rata-ratanya adalah 7 dB. Sedangkan besar untuk permukaan gedung yang berupa
untuk delay timenya kesalahannya cukup kecil.. obyek batu bata, hal itu dikarenakan diskritisasi
elemen-elemen permukaan gedungnya sebesar
0.3 lambda cukup besar sehingga areal antara
batu-bata belum terwakili. Model propagasi
gelombang terdifraksi mempunyai sesuai dengan
Keller’s Law of diffraction.
DAFTAR PUSTAKA
1. H. Budiarto, K. Horihata, K. Haneda, and J.
Takada,”Experimental study of Non-specular
Wave Scattering from Building Surface
Roughness for the Mobile Propagation
Modeling ”, IEICE Trans. On Communications
(Accepted Oct. 29, 2003).
Gambar 9 Perbandingan time delay dan path gain 2. H. Budiarto, K. Horihata, K. Haneda, and J.
untuk bidang pantul jendela Takada, ”Polarimetric Measurement of Non-
19
specular Wave Scattering from Building RIWAYAT PENULIS

Surface Roughness”, IEEE Antenna and
Hary Budiarto lahir di
Wireless Propagation Letters, Volume 2, Issue
Surabaya pada 28 Juni
16, pp.242-245, 2003.
1967. Menamatkan
3. J. Takada, J. Fu, H. Zhu, and T. Kobayashi,
pendidikan S1 di Institut
“Spatio-Temporal Channel Characterization in
Teknologi Sepuluh
a Sub-Urban Non-Line-of-Sight Microcellular
Nopember (ITS) di
Environment”, IEEE J. Select. Areas in
Surabaya tahun 1990
Comm., vol. 20, no. 3, pp.532-538, Apr. 2002.
dalam bidang Matematika
4. H.H. Xia, H.L. Bertoni, L.R. Maciel, A.L.
Terapan, menyelesaikan
Stewart an R. Rowe, “Radio propagation
pendidikan S2 di fakultas
Characteristic for Line-Of-Sight Microcellular
Ilmu Komputer Universitas
and Personal Communication”, IEEE Trans. on
Indonesia Jakarta tahun 1998 dan S3 di Tokyo
Antenna and Propagation, vol. 41, no.10, pp.
Institute of Technology pada Department of
1439-1447, Oct. 1993.
Electric and Electrical tahun 2004. Saat ini bekerja
5. D. Pena, R. Feick, H.D. Hristov, and W. Grote,
sebagai peneliti di bidang Teknologi Informasi dan
“ Measurement and Modeling of Propagation
Komunikasi di Pusat Pengkajian dan Penerapan
Losses in Brick and Concrete Walls for the
Teknologi Lingkungan (P3TL) BPPT, Jakarta.
900-MHz Band”, IEEE Trans. on Antenna
Penulis juga menjadi anggota pada organisasi
Propagation, vol. 51, no 1., pp. 31-38, Jan.,
profesi ilmiah IEEE, COMSOC, COST 273, IEICE
2003.
Japan dan IECI.
6. M.O. Al-Nuami and M.S. Ding, “Prediction
Models and Measurements of Microwave
Signals Scattered from Buildings”, IEEE Trans.
On Antenna and Propagation, vol.42, No.8 pp.
1126-1137, August 1994.
7. L. Orlando, J.F. Martin and T.S. Rappaport, “ A
Comparison of Theoretical and Empirical
Reflection Coe±cients for typical Exterior Wall
Surafces in a Mobile Radio Environment”,
IEEE Trans. On Antenna and Propagation Vol.
44 No. 3 pp. 341-351, March 1996.
20
Pengaruh Ukuran Butir Terhadap Kuat Fatik Baja:

Simulasi dan Eksperimen
DR- Ing. H. Agus Suhartono

UPT LUK Puspiptek, Serpong, Indonesia
Abstract
The present research results recognize that the growth of microcracks is
significantly influenced by the microstructure of the material. In order to take into
account the influence of the microstructure on the damage process a simulation.
model is suggested in this paper which considers the local stress state in addition
to the random nature of the material structure in the form of grain boundaries and
slip systems.
Special emphasis is given to the microcrack behaviour for different grain sizes
which is loaded by an axial tension compression loading with regard to their
influence on the microcrack growth and the simulated life time. It can be shown,
that a grain size causes a significant changing in the crack growth behaviour. The
results generated by means of the simulation model are compared and verified with
those experiences.
Keywords: simulasi, besar butir, retak mikro, fatik
1. PENDAHULUAN yang mengakibatkan terjadinya batas kristal atau

lebih umum disebut batas butir antar kristal atau
Pada pembebanan berulang, mikrostruktur batas butir. Susunan atom pada batas butir sangat
bahan sangat berpengaruh terhadap pertumbuhan tidak beraturan bila dibandingkan dengan susunan
retak. Perbaikan dalam prediksi umur fatik, perlu atom dalam butir. Tampakan foto mikro 2 dimensi
mempertimbangkan proses kerusakan secara dari batas butir adalah sejumlah garis, tetapi dalam
mikroskopis. Simulasi retak mikro, kenyataannya, batas butir merupakan permukaan
memungkinkan verifikasi hipotesa yang ada antar kristal. Pergerakan atom sepanjang batas
dengan hasil eksperimen. Selain itu parameter butir lebih cepat dibanding pergerakan atom
yang lain seperti ukuran butir dapat diselidiki, melalui susunan kristal. Bila dilakukan etsa, batas
sehingga perbaikan umur fatik dapat dilakukan. butir terserang lebih cepat terhadap. oleh larutan
Pada makalah ini dibahas mengenai asam dan meninggalkan jejak dangkal pada batas
simulasi dan eksperimen yang menyelidiki butir. Di bawah pengamatan mikroskop batas butir
pengaruh besar butir kekuatan fatik bahan. yang telah dietsa tersebut tampak sebagai garis-
garis gelap (1).
1.1 Besar Butir Batas butir sudut besar mempunyai energi
permukaan yang tinggi, dengan energi yang tinggi
Batas butir adalah batas dua struktur ini, batas butir merupakan preferensial untuk reaksi
kristalografi dari kristal tunggal baja dan larutan bahan padat (solid state reactions) seperti difusi,
padat. Paduan umumnya memiliki banyak kristal transformasi fasa, dan reaksi pengendapan.
yang dapat diamati dengan mikroskop. Baja Energi tinggi dari batas butir biasanya
berkristal BCC yang mengandung unsur paduan mengakibatkan konsentrasi atom larut yang lebih
dalam bentuk larutan padat disebut ferit. Struktur tinggi di perbatasan dari pada di dalam butir(1).
ferit pada dasarnya adalah besi murni yang
mengandung unsur paduan dalam jumlah yang 1.2 Pengaruh Besar Butir Pada Sifat Mekanik
sangat sedikit. Pada fasa tunggal bahan terdiri Logam
atas sejumlah kristal tunggal atau butir. Semua −
1
butir memiliki struktur kristal dan komposisi kimia σ y =σi +k⋅D 2 (1)
yang sama, perbedaan terletak pada orientasi
Dimana :
21
σ y = tegangan luluh atas, tengah dan bawah dapur selain

menggunakan sistem pengukur yang terpasang,
σ i = tegangan gesek" yang merupakan pengukuran temperatur annealing juga
ketahanan kisi kristal tehadap menggunakan thermokopel yang ditempelkan
pergerakan dislokasi langsung pada specimen dalam dapur.
k = parameter kontribusi pengerasan Temperatur annealing yang diambil dalam
relatif oleh batas butir penelitian adalah 930°C, 1000°C dan 1140°C.
D = diameter butir Pengujian sifat kekerasan yang dilakukan
adalah menggunakan metode Brinnel. Indentasi
Persamaan Hall-Petch(2,3) mula-mula dilakukan dengan mesin Frank Finotest yang
disusun berdasarkan pengukuran titik luluh baja menggunakan sistem hidraulik.
karbon rendah, dan telah terbukti dapat Struktur mikro logam diperoleh melalui
mengambarkan antara besar butir dan tegangan proses metalografi. Pengerjaan metalografi
alir pada berbagai harga regangan plastik hingga didahului dengan proses mounting specimen, yang
perpatahan rapuh. Selain itu dapat pula dilanjutkan dengan pengamplasan yang dimulai
menggambarkan variasi tegangan perpatahan dengan amplas kasar 200 # hingga amplas halus
rapuh dengan besar butir dan ketergantungan 1200 #. Specimen kemudian dietsa dengan nital
kekuatan fatik pada besar butir. 3%. Perbesaran foto struktur mikro yang diambil
Formula ini dapat memberi gambaran adalah sebesar 100 kali dan 500 kali.
tentang sifat mekanik lain misalnya kekerasan Penelitian terhadap struktur mikro dilakukan
logam yang merupakan sifat kemampuan logam untuk mengetahui ukuran besar butir dari hasil
untuk menahan deformasi. Deformasi logam pada proses anealling.
dasarnya merupakan hasil pergerakan dislokasi. Dalam penelitian ini bahan yang digunakan
Karena orientasi/arah bidang geser antar butir adalah baja karbon rendah yang mendapat
tidak seragam, maka gerakan dislokasi akan perlakuan annealing, sehingga struktur mikro yang
terhambat oleh batas butir. Makin halus ukuran mungkin dihasilkan adalah fasa ferit dan perlit.
butir maka presentasi batas butir akan makin Fasa ini umumnya memiliki butir dan batas yang
banyak pula, sehingga ketahanan deformasi logam jelas sehingga metode yang cocok dan sering
akan meningkat. dipakai untuk menghitung besar butir adalah
metode Planimetri (Jeffris method) (4).
2. BAHAN DAN METODE PENELITIAN
2.3 Simulasi
2.1 Bahan
Menurut simulasi diasumsikan pertumbuhan
Bahan yang digunakan pada penelitian ini retak dibagi menjadi dua tahap tahap 1 dan tahap
adalah baja karbon rendah jenis SC 10. Penelitian 2. Pada tahap 1, perambatan retak dipicu oleh
dilakukan di UPT Laboratoria Uji Konstruksi dan tegangan geser dinamis pada butir dalam material
laboratorium lain yang kompeten. Pengujian yang polikristal. Perambatan retak tergantung pada
dilakukan meliputi: karakterisasi bahan baku, amplitudo tegangan geser dan jarak s antara ujung
metalografi, analisa komposisi kimia dan retak dan hambatan mikrostruktur, (batas butir).
penentuan sifat mekanis material. Persamaan pertumbuhan retak:
2.2 Metode Penelitian da

= A∆τ ωα ⋅ s (2)
Pengujian komposisi kimia bahan dilakukan dN
untuk memastikan jenis bahan yang diuji serta
kadar masing-masing unsur, yang dapat dimana s jarak ujung retak dan batas butir, a dan α
digunakan untuk mendukung analisa hasil adalahparameter material(5,6). Pada awal simulasi
pengujian. pertumbuhan retak sangat cepat, tapi saat saat
Untuk mendapatkan berbagai ukuran besar retak mencapai batas butir (s ≈ 0) kecepatan retak
butir pada struktur dilakukan proses annealing berkurang hingga mendekati nol. Pada model ini
dengan memvariasikan temperatur anneal. Sampel batas butir di anggap sebagai hambatan mikro
dipanaskan sampai mencapai temperatur yang kita yang paling dominan.
inginkan. Kemudian temperatur ditahan selama Material polikristal dimodelkan secara dua
lebih kurang 45 menit dan selanjutnya didinginkan dimensi sebagai jaringan butir heksagonal dengan
perlahan di dalam dapur. Dapur yang digunakan diameter butir yang dapat divariasikan dan masing
untuk proses anil adalah dapur yang mempunyai masing butir memiliki orientasi kristal ω, Gambar 1.
tiga bagian pemanasan terkontrol yakni; bagian
22
penggabungan antar retak (5). Pada simulasi ini

penggabungan antar retak terjadi bila panjang
retak telah mencapai 75% dari batas butir, dan
jarak antar ujung retak lebih kecil dari jarak kritis, r.
Socie dan Furman (9) menyarankan jarak kritis
adalah 25% dari diameter.
Setelah retak mencapai panjang 3 diameter butir,
hanya berlaku pertumbuhan retak tahap 2. Dalam
hal ini retak kemudian tumbuh tegak lurus
terhadap arah tegangan utama dan kecepatan
perambatan retak tergantung pada panjang retak
dan amplitudo tegangan utama.
da
Gambar 1. Simulasi: mikrostruktur, keadaan
= B∆σ 1β ⋅ a χ − C (4)
dN
tegangan dan orientasi tegangan (5)
Simulasi selesai bila jumlah siklus tegangan
Kondisi tegangan pada bidang geser tiap tercapai, atau retak mikro mencapai panjang yang
butir tergantung dari orientasi masing-masing butir telah ditetapkan. Panjang retak didefinisikan
dan pembebanan yang dilakukan. Tegangan yang sebagai garis lurus jarak antar kedua ujung retak.
dipergunakan disini adalah tegangan bidang Jika retak terbentuk dari penggabungan beberapa
diperbukaan bahan. Letak nukleasi retak retak mikro, panjang retak diwakili oleh ujung-
dihasilkan dari generator random. Bentuk dari ujung tretak yang memiliki jarak paling jauh. Pada
bakalan retak adalah titik yang tidak memiliki simulasi ini panjang retak akhir ditetapkan 500 µm.
panjang, yang mewakili retak yang memiliki Simulasi ini belum mempertimbangkan retak
panjang nol. Di simulasikan bahwa nuklesi retak yang tumbuh ke arah dalam dari material. Lebih
sudah ada pada awal simulasi dan pertumbuhan lanjut deformasi dari mikrostruktur, pengerasan
butir dan pertumbuhan butir terjadi langsung saat regang dan pengaruh pembukaan retak serta
pembebanan pertama dilakukan.. tekstur dan anisotropy material belum
Saat retak tahap I memiliki panjang yang dipertimbangkan.
cukup untuk memungkinkan terjadinya pembukaan Pelaksanaan kegiatan meliputi persiapan
pada ujung retak, mulailah terjadi perkembangan material, pembuatan specimen dan komponen.
perambatan retak tahap 2. Pada titik ini, pengaruh Hasil yang dicapai yaitu mengetahui mekanisme
mikrostruktur menjadi berkurang, dan retak dapat pengaruh besar butir terhadap kekuatan dan umur
digambarkan dengan mekanika continuum. fatik dengan metode eksperimen, perhitungan dan
Diasumsaikan bahwa selama tahap transisi terjadi simulasi.
kompetisi antara pertumbuhan butir tahap I dan
pertumbuhan butir tahap II. Persamaan 3. HASIL PENELITIAN DAN PEMBAHASAN
pertumbuhan retak tahap 2 yang diajukan oleh
Hobson, Brown dan de los Rios (7). digunakan Hasil uji laboratorium dan hasil perhitungan
pada simulasi ini, diberikan sebagai berikut:
da
= B∆σ ωβ ⋅ a χ (3)
dN 3.1 Komposisi Kimia
dimana ∆σ mewakili tegangan tarik yang tegak
Pemeriksaan komposisi kimia dimaksudkan
lurus terhadap bidang retak dan β, B and D adalah
untuk mengetahui unsur-unsur yang terkandung
parameter material yang ditentukan dari
dalam material. Hasil pemeriksaan komposisi kimia,
percobaan. Parameter material yag digunakan
yaitu : C 1%, Si 0,3 % Mn 1% dan S 0,5%.Variasi
diambil dari Hobson (7). Panjang retak pada
komposisi kimia akibat proses annealing dan
transisi dari tahap 1 ke tahap 2 dapat disebutkan
dekarburisasi diminimalkan dengan melakukan
dengan jumlah butir yang dilewati retak. Taylor and
pengujian hanya pada penampang dalam dari
Knott (8) mengusulkan 3 butir sebagai fasa transisi
benda uji.
tahap 1 ke tahap 2. Pada daerah transisi
pertumbuhan retak dihitung berdasarkan nilai yang
3. 2. Metalografi
lebih tinggi antara persamaan 1 dan persamaan 2
(5)
. Selain pertumbuhan retak akibat beban
Hasil pemeriksaan metalografi diperlihatkan
berulang, perambatan yang sangat cepat bisa
pada gambar 2 hingga gambar 4. Dari
terjadi pada eksperimen yaitu diakibatkan oleh
23
pengamatan struktur mikro diketahui bahwa baja fasa ferit dan sebagian kecil fasa perlit.
yang diperiksa merupakan baja karbon rendah. Pengukuran dan perhitungan besar butir
Struktur mikro terdiri atas matriks ferit diselingi oleh dilakukan dengan metode planimetri (Jeffris
sebagian kecil fasa pearlit. Pemeriksaan struktur method) yaitu menghitung besar butir persatuan
mikro menunjukkan bahwa annealing pada tahap luas pada lingkaran berdiameter 79,8 mm (luas
suhu lebih rendah menyebabkan rekristalisasi dan lingkaran 5000 mm2) (4).
menghaluskan butir. Pada suhu yang lebih tinggi
terjadi perkembangan besar butir . Perhitungan matematis :
 1  M2
N A = f ⋅  n1 + n 2  f = (5)
 2  5000
A = NA −1 × 10 6
1
()
1 −
d= A 2 = NA 2 × 10 3
G = 3,32 ⋅ log N A − 2,92
Keterangan:
NA = banyaknya butir/luar (pcs/mm2)
F = bilangan Jeffris
Gambar 2. Struktur mikro baja SC 10 suhu M = perbesaran (x)
annealing 930oC, 45 menit. A = luas rata-rata butir ( µm 2 )
d = diameter butir rata-rata ( µm )
G = nomor besar butir (ASTM)
Hasil perhitungan besar butir terhadap foto

struktur mikro ditampilkan pada tabel 1 berikut:
Tabel 1 : Hasil perhitungan besar butir.
No. Specimen D (µm) G (ASTM)

1 930 11,54 9,92
Gambar 3. Struktur mikro baja SC 10 suhu 2 1000 21,61 8,11
annealing 1000oC, 45 menit. 3 1140 42,18 6,18
Pada suhu anneal 930oC didapat diameter

rata-rata 11,54 µm. Pada suhu anneal yang lebih
tinggi yaitu 1000oC terjadi pertumbuhan butir yang
sangat intensif, Pada tahap ini proses rekristalisasi
telah selesai sehingga energi yang ada hanya
digunakan untuk Pada pertumbuhan butir. Sejalan
dengan terjadinya pemanasan lanjut orientasi
kristal butir kecil mengikuti orientasi butir besar
sehingga jadi penggabungan butir menjadi butir
yang lebih besar. Ukuran butir pada temperatur
anneal ini adalah 21,61µm. Pada suhu 1140oC
Gambar 4. Struktur mikro baja SC 10 suhu pertumbuhan butir berlanjut dengan
annealing 1140oC, 45 menit. kecenderungan peningkatan temperatur
menyebabkan peningkatan diameter butir menjadi
3.3 Pengukuran Besar Butir 42,18 µm. Secara umum dapat ditarik suatu
kecenderungan bahwa dengan peningkatan
Pengukuran besar butir dilakukan dengan temperatur annealing terjadi peningkatan besar
mengolah data hasil metalografi baja yang telah butir.
dilakukan annealing. Foto struktur mikro
menunjukkan bahwa fasa yang terjadi merupakan
24
3.4 Pengujian Kekerasan lebih sulit. Butiran dengan ukuran lebih kecil berarti
penghalang pergerakan dislokasi semakin banyak
Penjejakan dilakukan pada 5 (lima) tempat dan jarak antar penghalang tersebut semakin
pada penampang lintang sampel hasil uji struktur dekat sehingga semakin menyulitkan terjadinya
mikro yang sudah licin permukaannya. Penjejakan deformasi yang mengakibatkan peningkatan
pada penampang lintang sampel kekerasan dan sifat mekanis lainnya.
Pengukuran diameter jejak arah vertikal dan
horizontal dengan menggunakan mikroskop 3.5 Hubungan Besar Butir dan Kekuatan Fatik
pengukur jejak. Nilai rata-rata hasil uji kekerasan
diberikan pada Tabel 2. Terdapat hubungan antara sifat kekerasan
dan kuat tarik. Tabor(10) mengajukan suatu metode
Tabel 2. Hasil Pengujian Kekerasan. yang dapat digunakan untuk menentukan daerah
plastis kurva tegangan regangan sejati dari hasil
No Benda Uji BHN pengukuran kekerasan. Pada dasarnya metode
1 A 930oC 134 tersebut bersifat empiris, karena distribusi
2 A 1000 oC 130 tegangan yang komplek pada jejak indentasi
3 A 1140oC 136 menghalangi hubungan yang jelas dengan
distribusi tegangan pada uji tarik maupun uji tekan.
Proses annealing mengakibatkan Akan tetapi metode tersebut memperlihatkan
penurunan kekerasan. Pada temperatur annealing kecocokan pada berbagai logam, sehingga layak
yang lebih tinggi kekerasan terus mengalami untuk diperhatikan apabila situasi tidak
penurunan. memungkinkan untuk melakukan pengujian tarik
Hubungan antara besar butir dan kekerasan logam.
ditunjukkan pada Gambar 5. Bila dikorelasikan Kekuatan luluh ofset 0,2% dapat ditentukan
antara ukuran butir dan sifat kekerasan maka akan dengan ketelitian yang baiki dari pengujian
didapat kecenderungan (trend), dari gambar kekerasan Vickers 2. Terdapat pula hubungan
tersebut tampak jelas hubungan bahwa rekayasa yang sangat berguna antara kekerasan
peningkatan diameter butir diikuti dengan Brinell dengan kekuatan tarik maksimum dari
terjadinya penurunan kekerasan. paduan baja karbon biasa dan medium yang
mengalami perlakuan panas.
Menurut DIN 50350(11) kekuatan tarik dapat
135 diturunkan dari Nilai kekerasan Vickers
134 berdasarkan rumus
Kekerasan (BHN)
133
132
131
y = 150.48x-0.0475 σ u = 3,38 ⋅ VHN (6)
130 R2 = 0.9999
129
128 Persamaan tersebut berlaku untuk kekerasan
127 antara 80 VHN hingga 650 VHN. Pada standard
126
125 DIN 50351 (11) diberikan korelasi antara nilai
0 10 20 30 40 50 kekerasan Brinell dan kekuatan tarik yaitu:
Diameter Butir (mikro m)
σ u = 3,5 ⋅ BHN (7)
Gambar 5. Hubungan antara Kekerasan dan
Diameter Butir. Menunurut Hueck (12,13) kuat luluh pada baja dapat
dihitung dari kuat tarik berdasarkan rumus:
Kekerasan merupakan sifat ketahanan
bahan terhadap deformasi plastis (indentasi). σ y = 1,09σ u − 77 (8)
Deformasi merupakan pergerakan dislokasi.
Pergerakan dislokasi terjadi dalam butir dengan sehingga dapat digambarkan hubungan antara
lebih mudah dan pada saat mencapai batas butir kuat tarik, kuat luluh vs temperatur anil, serta
dislokasi tersebut akan terhambat pergerakannya. hubungan antara tegangan luluh dan besar butir
Hambatan terhadap dislokasi menyebabkan untuk menguji dan mengevaluasi apakah formula
penumpukan dislokasi pada batas butir. yang diusulkan oleh Hall-Pecht (2,3) berlaku untuk
Tumpukan tersebut menyebabkan gaya tolak yang bahan dan keadaan yang terjadi pada penelitian
bekerja untuk melawan gerakan dislokasi ini. Persamaan (1) merupakan persamaan yang
berikutnya. Sehingga deformasi selanjutnya akan
25
sangat umum dan harus digunakan secara hati- memiliki hubungan yang erat. Nilai koefisien
hati. korelasi berkisar antara 0 hingga 1. Semakin dekat
dengan 1 maka nilai perkiraan berdasarkan kurva
450
yang kita buat semakin dapat dipercaya(14). Secara
440
kuantitatif dinyatakan bahwa,
430
• 0,90<R<1,00: hubungan sangat kuat
Kuat luluh (MPa)
420
410
• 0,70<R<0,90 hubungan kuat
400
• 0<R<0,50 hubungan lemah dan
R2 = 0.9932 sangat lemah
390
R2 adalah sebesar 0,99, dan nilai koefisien

380
370
korelasi R adalah sebesar 0,99. Nilai tersebut
360
menandakan bahwa hubungan antara besar butir
350
dan kuat luluh dapat diwakili oleh persamaan 9 di
0 10 20 30 40 50
atas dengan keterkaitan hubungan yang sangat
Besar butir (mikro meter)
kuat.
Dari hasil ini dapat diketahui bahwa
persamaan Hall-Pecht dapat diterapkan pada
Gambar 6. Hubungan Diameter Butir dan Kuat material baja karbon rendah yang telah mengalami
luluh annealing, dengan batasan-batasan yaitu material
tersebut belum mengalami pengerjaan yang
Pada penggambaran regresi hubungan menyebabkan pengerasan regang, dan butir yang
kuat luluh dan besar butir, data pengujian dari baja didapat dari hasil annealing relatif homogen.
dalam kondisi awal (as recieved), tidak digunakan Perhitungan kekuatan dan ketahanan fatik
karena dikhawatirkan baja tersebut masih memiliki dapat diturunkan dari sifat-sifat mekanis
tegangan sisa hasil pengerjaan selama proses bahan(11,12). Hubungan antara fatik limit dan titik
pembuatan yang dapat mempengaruhi sifat luluh dapat dinyatakan dengan hubungan:
kekerasan dan kekuatan bahan.
Data-data untuk menggambarkan hubungan σ w = 0,436σ y + 77 (10)
antara kuat luluh vs besar butir atau persamaan
Hall-Petch diambil dari data pengujian dari
specimen yang mengalami proses annealing pada dari persamaan (10) didapat,
1
suhu 930 oC hingga 1140 oC yang memiliki ukuran −
butir relatif lebih homogen karena proses σ w = 161,3 + 95 ⋅ D 2 (11)
rekristalisasi telah selesai. Hubungan antar kuat
luluh dan besar butir diberikan pada Gambar 6 . Hasil perhitungan ini menunjukkan
−
1 hubungan bahwa kekuatan fatik berbanding
σy = 370 + 218 ⋅ D 2 (9) terbalik dengan akar pangkat dua dari besar butir,
yang berarti peningkatan ukuran butir akan
Dimana : menurunkan kekuatan fatik bahan.
σ y = tegangan luluh
370 = “tegangan gesek" yang merupakan 3.6 Hasil Simulasi
ketahanan kisi kristal tehadap
pergerakan dislokasi ( σ i ) Simulasi pengaruh besar butir tehadap umur
218 = “parameter pengancing" yang fatik dilakukan dengan data masukan sebagai
menjadi ukuran kontribusi berikut.
pengerasan relatif oleh batas butir
(k) • Amplitudo tegangan σa=254 dan 330
D = diameter butir Mpa
• Pembebanan : tarik tekan aksial
Pembuatan garis regresi kurva hubungan • Kriteria kegagalan (akhir simulasi) a =
antara kuat luluh vs besar butir disertai dengan 500 µm
perhitungan koefisien determinasi, R2 (R-squared
value) dan koefisien korelasi, R. Koefisien- Gambar 7 dan 8 menunjukkan perambatan
koefisien tersebut merupakan indikator apakah retak dalam butir akibat beban aksial tarik tekan
nilai perkiraan yang didapat dari hasil penarikan untuk amplitudo σa=254 dan 330 Mpa. Retak
garis kurva (garis regresi) dengan data pengujian mula-mula merambat dengan arah ϕ = ±45o
26
sebagai retak geser dan selanjutnya berambat makin pendek akibat gradien kurva S-N yang
tegak lurus tegangn nominal. Frekuensi makin landai, bandingkan dengan (7).
penggabungan retak tampak lebih sering pada Gambar 10 menunjukkan bahwa dengan
tegangan lebih tinggi dibanding tegangan yang berkurangnya pembebanan, fraksi kerusakan pada
lebih rendah.Dari sini dapat dijelaskan bahwa retak tahap 1 bertambah. Peningkatan fraksi kerusakan
mikro yang bergabung akibat tegangan yang lebih tahap 1 pada besar butir yang lebih kecil
tinggi juga meningkat. Gambar 9 menunjukkan cenderung bertambah di banding pada ukuran butir
bahwa dengan peningkatan besar butir umur yang lebih besar. Hal ini menyebabkan gradien
(ketahanan fatik) menurun, sehingga pengaruh kemiringan kurva S-N pada ukuran butir yang lebih
besar butir pada daerah fatik siklus tinggi dominan. kecil lebih landai disbanding ukuran diameter yang
Penyebab dari hal tersebut adalah hambatan lebih besar.
mikrostruktur (batas butir) akibat meningkatnya Menurut Luetc (17) butiran yang lebih kecil
ukuran butir berkurang. Perambatan retak pada memiliki peranan penting dalam menghambat
butir yang lebih besar berlangsung lebih cepat perambatan retak mikro. Pada umur fatik hingga
dibanding pada butir-butir yang lebih kecil, lihat 104 siklus, fraksi umur bisa dibagi menjadi 2
gambar 7. bagian yang sama antara kerusakan yang
Pada besar butir yang lebih kecil (45 µm) diakibatkan untuk perambatan retak mikro tahap 1
perambatan retak didominasi olehperambatan dan perambatan retak tahap 2. Penurunan
retak tahap 1, sedangkan pada ukuran butir yang ukuuran butir mengakibatkan pengurangan jarak
blebih besar (120 µm) tahp perambatan yang terhadap hambatan mikrostruktur, sehingga
paling dominan adalah perambatan retak tahap 2. tahanan terhadap perambatan retak tahap 1
Berkurangnya ketahanan fatik akibat peningkatan meningkat. Keadaan ini dapat dijelaskan secara
ukuran butir dalam simulasi telah dibuktikan memuaskan melali\ui simulasi ini, yang
bedasarkan simulasi dan eksperimen serta menerangkan bahwa perambatan retak tahap 1
penelitian lain (15, 16). dan tahap 2 merupakan bagian menentukan dalam
Bila batas simulasi adalah panjang retak menentukan umur fatik. Penurunan besar butir
100 µm dan bukan 500 µm. ketahanan fatik akan menyebabkan bagian perambatan retak tahap 1
meningkat sehingga meningkatkan umur fatik.
27
600
500 Riss 1
Riss 1
(µm)
a (µm)
400
Panjang Retak
300
Risslänge
2
3 200
2
100
3
0
0 1 104 2 104 3 104
(a) N = 25321 d = 45 µm σ Jumlah Siklus (N)

Schwingspiele N
600
Riss 1
Riss 1 500
(µm)
a (µm)
400
Panjang Retak
300
Risslänge
2 200
100
2
0
0 1 104 2 104 3 104
(b) N = 22148 d = 60 µm σ Jumlah Siklus (N)N
Schwingspiele
600
500
Riss 1
Riss 1
(µm)
a (µm)
400
Panjang Retak
300
Risslänge
3 2
200
2
100
3
0
0 1 104 2 104 3 104
(c) N = 12258 d = 120 µm σ Jumlah Siklus (N) N
Schwingspiele
Gambar 7: Gambar simulasi dan kurva hubungan antara panjang retak dan jumlah siklus beban pada
berbagai ukuran butir σ = 254 MPa , Pembebanan aksial tarik tekan.
28
600
500 Riss 1
(µm)
a (µm)
3 400
Riss 1
2
Panjang Retak
300
Risslänge
200
2 3
100
0
0 2 103 4 103 6 103
Jumlah Siklus (N) N
Schwingspiele
(a) N = 3471 d = 45 µm
600
3
Riss 1 500 Riss 1
(µm)
Retaka (µm)
400
2
300
Risslänge
2
3
Panjang
200
100
0
0 2 103 4 103 6 103
Jumlah Siklus (N) N
Schwingspiele
(b) N = 3140 d = 60 µm σ
600
500 Riss 1
(µm)
Retaka(µm)
400
3
300 2
Risslänge
Riss 1 3
Panjang
2 200
100
0
0 2 103 4 103 6 103
Schwingspiele
Jumlah Siklus (N)N
(c) N =2691 d = 120 µm
Gambar 8: Gambar simulasi dan kurva hubungan antara panjang retak dan jumlah siklus beban pada
berbagai ukuran butir σ = 330 MPa , Pembebanan aksial tarik tekan.
29
σa (MPa)
k = 5,6
300
k = 5,5
k = 6,8
d = 45 µm
d = 60 µm
Simulasi
Simulation d = 120 µm
Besar Butir : σ
Beanspruchung
45 µm, 60 µm, a
Korngröße
120 µm d = 45 µm,
60 µm, 120 µm
200
3 4 5
10 10 10
Schwingspiele
Jumlah Siklus (N) N
Gambar 9. Kurva S-N hasil simulasi untuk ukuran butir yang berbeda dengan pembebanan tarik tekan.
Perbandingan perambatan tahap
3
254 MPa
330 MPa
1 dan tahap 2
0
45 60 120
Besar Butir (µm)
Gambar 10. Rasio perbandingan antara perampbatan retak tahap 1 dan tahap 2 pada masing-masing
ukuran butir.
30
4. KESIMPULAN 7. Hobson, P.D., M. W. Brown, E. R. de los Rios,

1986. “Two Phases of short Crack Growth in
Dari penelitian ini dapat diambil kesimpulan medium Carbon Steel”, The Behaviour of short
sebagai berikut: Fatigue Cracks, EGF Pub. 1, K.J.Miller and
1. Peningkatan temperatur annealing dapat E.R. de los Rios, Ed., London, pp.441-459
menyebabkan peningkatan besar butir dan 8. Taylor, D., J.F. Knott, 1981, “Fatigue Crack
penurunan kekerasan, kuat luluh serta Propagation Behaviour of Short cracks; The
kekuatan fatik. effect of Microstructure, “ Fatigue Fracture
2. Persamaan Hall-Pecht dapat diterapkan pada Engginering Materials Structures 4, pp. 147
material baja karbon rendah yang telah 9. Socie, D., S. Furman, 1996, "Fatigue Damage
mengalami annealing, dengan batasan-batasan Simulation Models for Multiaxial Loading,"
yaitu material tersebut belum mengalami Fatigue 96, Sixth International Fatigue
pengerjaan yang menyebabkan pengerasan Congress, G. Ltitjering and H. Nowark, Ed.,
regang, dan butir yang didapat dari hasil Berlin, Germany, pp.967-976.
annealing relatif homogen. 10. Tabor, D., The Hardness of Metals, hal 67-76,
3. Simulasi perambatan retak fatik mikro telah Oxford University Press, New York,1951
dipresentasikan. Simulasi tersebut dibuat 11. DIN 501009 (1978) Werkstoffprueffung,
berdasarkan model yang memperhitungkan Dauerschwing, Versuch, Begriffe, Zeichen,
arah dan kecaepatan rambat retak, interaksi Duerchfuehrung, Auswertung
antara retakan dengan batas butir serta dengan 12. Gudehus, H., H. Zenner, Leitfaden für eine
retak lain demikian juga tumbukan antar retak. Betriebsfestigkeitsrechnung, VBFEh,VDEh,
Simulasi tersebut dapat menerangkan Düsseldorf 1995.
fenomena penurunan kekuatan fatik akibat 13. Hueck, M, Thrauer, L., W. Schuetz,
peningkatan ukuran butir pada logam, pada Berechnung von Syntetische Woehlerlinien
beberapa tingkat pembebanan. fuer Bauteile aus Stahlguss und Grauguss,
Berich Nr. ABF11, VDEh, Duesseldorf, 1991
UCAPAN TERIMA KASIH 14. Budiono, W. Koster, Statistika dan Probabilitas,
Kami mengucapkan terima kasih, kepada: PT Remaja Rosdakarya, Bandung, hal 180-
Bapak Dr.-Ing. Amir Partowiyatmo, dukungannya 185, 2001.
dalam kegiatan penelitian ini. Ir. Sekean yang telah 15. Edgar, A., Jr. Starke, G. Lütjering: Cyclic
membantu selama penelitian ini berlangsung. Prof. Plastic Deformation and Microstructure, in
Dr-Ing. H. Zenner dari TU Clausthal Germanay dan Fatigue and Microstructure, American Society
Dr.-Ing Kurt Poetter dari BMW AG. atas saran dan for Metals, Metals Park Ohio, 1979, pp. 225
pertimbanganya dalam penelitian ini. 16. Lütjering, G., A. Gysler, Fatigue and Fracture
of Aluminum Alloys, in Aluminum
DAFTAR PUSTAKA Transformation Technology and Applications,
Proceedings of the International Symposium at
1. French, D.N, Metallurgical Faikures in Fossil Puerto Madryn, Chubut, Argentina, C. A.
Fired Boilers, hal 28-30, John Wiley & Sons, Pampillo, H. Biloni and D.E. Embury, Eds.,
New York,1983. American Society for Metals, Metals Park,
2. E.O. Hall, Proc Phys. Soc. London, jilid 643, Ohio, 1980, pp.192
hal 747, 1951 17. Lütjering, G., A. Gysler, J. Albrecht, Influence
3. N. J. Petch, NJ, J. Iron Steel Inst. London, jilid of Microstructure on Fatigue Resistance. In G.
173, hal 25, 1953 Lütjering and H. Nowack, (Eds.): Fatigue 96,
4. ASTM Standards , Section 3. Vol 3.01, Metal s Sixt International Fatigue Congress, Berlin,
Mechanical Testing: Elevated and Low Germany, 1996, pp. 967-976
Temperature Tests, Metalography, E112,
ASTM, Easton MD, USA, 1999 RIWAYAT PENULIS
5. Suhartono, H.A., K. Poetter, A. Schram, H.
Zenner, "Modeling of Short Crack Growth DR. Ing. H. Agus Suhartono lahir di Juwiring,
Under Biaxial Fatigue: Comparison Between Klaten, 3 September 1967. Tamat S1 UI Fakultas
Simulation and Experiment", Multiaxial Fatigue Teknik Jurusan Metalurgi tahun 1991.
and Deformation. Menyelesaikan program S3 di TU Clausthal
6. Miller, K-J., 1991, Metal Fatigue – Past, jurusan Mesin di Jerman tahun 2000. Saat ini
Current and Future, Proceedings of the bekerja sebagai Ka.Sub.Bid Karakteristik dan
Institution of Mechanixal Engineers. Aplikasi Material di Balai Besar Teknologi
Keluasan Struklin BPP Teknologi.
31
32
PERBANDINGAN
METODE MONTE-CARLO DAN
METODE PARTIKEL TERBOBOT STOKASTIK
UNTUK SOLUSI NUMERIK PERSAMAAN BOLTZMANN
Endar H. Nugrahani
Departemen Matematika, FMIPA, Institut Pertanian Bogor
Abstract
Particle methods are well known tools to solve the kinetic Boltzmann equation
numerically. The usual procedure of such method is the direct simulation Monte-
Carlo, which directly simulate the collision between particles. The second method
of interest is the stochastic weighted particle method, which is developed to
improve the previous method. The main idea of the second method is to use
random weight transfer between particles during collisions. In order to reduce the
stochastic fluctuations, this method provides a way to increase the number of
particles. But if the additional particles cannot be compensated in some natural
way, then this number should be reduced. Several reduction procedures have
been proposed. Some numerical results using both methods are presented. It is
shown that the second method could give some better results in some ways.
Keywords: persamaan Boltzmann, metode Monte-Carlo, metode partikel terbobot

stokastik.
dengan B(v,w,e) adalah fungsi kernel tumbukan

1. PENDAHULUAN partikel.
Solusi analitik dari persamaan Boltzmann (1.1)
Persamaan Boltzmann adalah persamaan tersebut tidaklah mudah untuk diperoleh.
kinetik yang mendeskripsikan perubahan yang Beberapa hasil solusi analitik eksak yang telah
terjadi pada partikel gas dengan berlalunya waktu didapatkan hanya bisa diperoleh untuk distribusi
karena terjadinya fenomena tumbukan antar nilai awal tertentu, di antaranya adalah untuk
partikel. Misalkan distribusi awal Maxwell oleh Bobylev (2) dan
beberapa solusi self-similar oleh Bobylev dan
f ( x , v, t ) : Ω ⊂ ℜ 3 × ℜ 3 × ℜ + → ℜ + Cercignani (3).
Solusi numerik dari persamaan Boltzmann
adalah fungsi kepekatan peluang suatu partikel harus memperhatikan diskretisasi dari ruang
gas yang berada pada posisi x, bergerak dengan berdimensi tinggi serta melibatkan perhitungan
kecepatan v, serta diamati pada waktu t. Bentuk integral lipat berdimensi tinggi pula pada setiap titik
dari persamaan Boltzmann adalah: diskretisasinya. Dengan demikian penggu-naan
metode yang umum digunakan pada solusi
∂f
+ v, ∇ x f = Q ( f , f ) (1.1) numerik persamaan diferensial parsial, misalnya
∂t metode elemen-hingga ataupun metode beda-
hingga, akan sulit diimplementasikan. Oleh karena
dengan nilai awal
itu penggunaan metode partikel akan menawarkan
f ( x, v, t = 0) = f 0 ( x, v) . (1.2) jalan keluar bagi penyelesaian numerik persamaan
kinetik yang berupa persamaan diferensial–
Ruas kanan dari persamaan (1.1) adalah integral integral berdimensi tinggi tersebut.
lipat berdimensi tinggi yang mendeskripsikan
perubahan dari f(x,v,t) sebagai akibat dari
tumbukan antar partikel, yaitu dengan bentuk 2. METODE PARTIKEL
berikut:
Metode partikel untuk penyelesaian numerik
Q( f , f ) = persamaan kinetik berdimensi tinggi pertama kali
∫ ∫ B(v, w, e)[ f (v' ) f (w' ) − f (v) f (w)] dw de

dikembangkan adalah simulasi langsung dengan
metode Monte-Carlo (Direct Simulation Monte-
ℜ3 S 2 Carlo – DSMC) oleh G. A. Bird (1). Pada
33
perkembangannya dirumuskan metode partikel Bobot partikel diasumsikan tidak mengalami

terbobot stokastik (Stochastic Weighted Particle perubahan selama periode simulasi. Apabila
Method – SWPM) oleh S. Rjasanow dan W. daerah definisi adalah berbatas, maka kecepatan
Wagner (6). partikel akan berubah menurut syarat batasnya.
Ide dasar metode partikel adalah pendugaan Fase tumbukan partikel disimulasikan sebagai
barisan ukuran berikut berikut. Pertama-tama posisi partikel dipartisi ke
dalam c buah sel
f (t k , x, v )dxdv, t k = k∆t , k = 0,1, L, ∆t > 0
c
dengan sistem Ω = U Ωl .
l =1
N
µ (t k , dx, dv ) = ∑ g i (t k )δ ( x (t i k ),vi (t k )) (dx, dv ) Simulasi tumbukan dilakukan di dalam masing-
i =1 masing sel dengan mendefinisikan proses
stokastik
di mana
Z (t ) = {g i (t ), xi (t ), vi (t ), i = 1,L, n}
(g i (t k ), xi (t k ), vi (t k ))iN=1 , k = 0,1, L
dengan t ≥ tk dan n = nl(tk).
melambangkan sekumpulan partikel, dengan k Dari proses pada keadaan z, misalkan partikel
adalah indeks tahap waktu. ke – i dan j akan bertumbukan dengan peluang
tertentu. Pembangkit proses ditentukan
2.1 Metode Simulasi Langsung Monte-Carlo berdasarkan fungsi loncatan proses Jk(z,i,j,e)
berikut
Metode DSMC yang dikembangkan oleh G. A.
Bird (1) memiliki algoritma berikut. Prosedur
( g , x k , v k ), k ≠ i, j

simulasi diawali dengan pendefinisian evolusi J k (.) = ( g , xi , v'i ), k = i (2.2)
waktu dari suatu sistem sejumlah N partikel (g,x , v' ), k = j
 j j
(g i (t ), xi (t ), vi (t ) ), i = 1,L, N , t ≥ t 0
di mana
dengan nilai awal
v' i = vi + e < e, vi − v j >
(g i (t 0 ), xi (t 0 ), vi (t 0 ) ), i = 1,L, N
v' j = v j + e < e, vi − v j >
(2.3)
yang dibangkitkan menurut suatu sebaran peluang

tertentu berdasarkan (1.2). Asumsi pada nilai awal adalah kecepatan partikel setelah tumbukan.
adalah bobot partikel konstan Dengan algoritma DSMC tersebut jumlah
partikel di dalam sistem tidak akan mengalami
g i (t 0 ) = g , i = 1,L , N . (2.1) perubahan. Dengan demikian juga akan berlaku
konservasi berbagai besaran makroskopik dari
Diskretisasi waktu didefinisikan sebagai berikut: sistem, yaitu diantaranya besaran massa,
kerapatan, momentum, energi, dan sebagainya.
t k = k∆t , k = 0,1, L ⇒ t k +1 = t k + ∆t , ∆t > 0. Sedangkan kekonvergenen pendugaan numerik
dengan metode DSMC ini telah dibuktikan dalam
Simulasi akan dilakukan pada setiap interval
Wagner (8).
waktu (tk, tk+1] dengan membedakannya dalam
dua fase: fase gerakan bebas dan fase tumbukan
2.2 Metode Partikel Terbobot Stokastik
partikel. Pada fase pertama hanya akan
disimulasikan gerakan partikel secara bebas tanpa
Simulasi numerik dengan menggunakan
memperhatikan terjadinya tumbukan antar partikel.
metode partikel terbobot stokastik memiliki latar
Sebaliknya pada fase kedua hanya disimulasikan
belakang ide yang serupa dengan DSMC, dengan
tumbukan antar partikel tanpa memperhatikan
letak perbedaan pada pendefinisian fungsi
gerakan partikel itu sendiri.
lompatan proses sebagai alternatif dari (2.2)
Fase gerakan bebas menghasilkan perubahan
berikut:
posisi partikel setiap waktu hanya dipengaruhi oleh
kecepatannya, yaitu
xi (t ) = xi (t k ) + (t − t k )vi (t k ), t ∈ [t k , t k +1 ] .
34
( g k , x k , v k ), k ≠ i, j pengurangan jumlah partikel, yaitu dengan

( g − G (.), x , v ), k = i menggantikan sejumlah 2 partikel berikut:
 i i i
J k (.) = (g j − G (.), x j , v j ), k = j (2.4)

g (i )
g i1 = g i 2 =
(G (.), x , v' ), k = n + 1 2
 i i vi1 = V (i ) + ε ( i ) e, vi 2 = V ( i ) − ε ( i ) e, e ∈ S 2
(G (.), x j , v' j ), k = n + 2
di mana g(i) adalah massa cluster, V(i) adalah
rataan impuls cluster, serta (i) adalah suatu
di mana v’i dan v’j adalah kecepatan partikel ke – i besaran yang berhubungan dengan aliran energi
dan j setelah tumbukan partikel. Besaran G(z,j,i,e) dalam cluster.
adalah fungsi perpindahan bobot, Bukti kekonvergenan serta jaminan kontrol atas
galat tambahan dari prosedur reduksi ini diberikan
min (g i , g j ) oleh Rjasanow dan Wagner (6).
G ( z , i, j , e ) = (2.5)
1 + γ ( z , i , j , e) Prosedur Reduksi Stokastik
yang akan memungkinkan terjadinya penambah-
an jumlah partikel dalam sistem bila dipilih Prosedur ini ditujukan secara khusus untuk
mempertahankan partikel pada daerah ’luar’
parameter γ ≥ 0.
Prosedur yang memungkinkan penambahan Θ = {v ∈ ℜ 3 ; || v − U || ≥ R, R ∈ ℜ}.
jumlah partikel ini terutama akan sangat
menguntungkan untuk simulasi sistem dengan Sedangkan partikel pada daerah ℜ − Θ akan
3
kerapatan rendah untuk mengurangi keragaman
dipilih menurut kriteria stokastik tertentu.
stokastik(6). Akan tetapi penambahan jumlah
Dengan memperhatikan partikel ke – i:
partikel dalam simulasi numerik dapat
meningkatkan beban komputasi secara signifikan,
sehingga sampai tahap tertentu akan diperlukan
(g i , xi , vi ), i = 1, L, n
prosedur tambahan untuk mengurangi kembali prosedur reduksi dilakukan dengan cara berikut:
jumlah partikel tersebut. Prosedur pengurangan gi
jumlah partikel yang telah dirumuskan antara lain • Dengan peluang p = , tetapkan g i = g .
diberikan dalam Rjasanow dan Wagner (6) sebagai g
prosedur reduksi deterministik, sedangkan dalam Hal ini berarti partikel tersebut dipertahankan
Nugrahani dan Rjasanow (5) dirumuskan prosedur dan diberi bobot standar.
reduksi stokastik. g − gi
• Dengan peluang 1 − p = , tetapkan gi
Prosedur Reduksi Deterministik g
= 0. Hal ini berarti partikel tersebut
Prosedur untuk mengurangi jumlah partikel dikeluarkan dari sistem, sehingga jumlah
pada simulasi dengan metode SWPM ini dilakukan partikel akan berkurang.
sedemikian sehingga sistem partikel tersebut tetap
dapat menduga penyelesaian numerik persamaan Prosedur reduksi ini diusulkan dalam
Boltzmann. Dengan demikian tetap harus Nugrahani dan Rjasanow (5) sebagai bentuk
diperhatikan terpenuhinya sifat konservasi masa, khusus dari prosedur yang lebih umum yang
kerapatan, momentum dan energi, serta dapat dirumuskan dan dibuktikan kekonvergenannya
dikontrolnya tambahan galat pendugaan yang oleh Matheis dan Wagner (4).
ditimbulkan.
Ada dua langkah yang dirumuskan dalam 3. HASIL SIMULASI NUMERIK
prosedur reduksi deterministik ini. Langkah
pertama adalah pengelompokan partikel dalam 3.1 Simulasi Extra Moment
sejumlah cluster berdasarkan kecepatannya:
(g ij , xij , vij ), i = 1, L, nˆ , j = 1,L, ni Studi numerik yang dilakukan adalah
penyelesaian persamaan Boltzmann (1.1) pada
ruang posisi yang telah dipartisi sehingga fungsi
di mana n̂ adalah jumlah cluster yang dibentuk,
kepekatan peluang f(v,t) adalah homogen dalam
dengan i adalah indeks cluster dan j indeks ruang. Kondisi awal mengikuti distribusi molekul
partikel dalam cluster. Kemudian dalam masing- pseudo-Maxwell campuran berikut
masing cluster dengan ni ≥ 3 akan dilakukan
35
 | v − V1 | 2  Lebih lanjut disajikan pula berbagai besaran

αρ
f (v ) = exp−  hasil simulasi extra moment menggunakan metode
(2πT1 )3 / 2  2T1  SWPM dengan prosedur reduksi stokastik.
Gambar 3 menyajikan jumlah partikel dalam
(1 − α ) ρ  | v − V2 | 2  sistem yang memperlihatkan bahwa prosedur
+ exp− 
(2πT2 )3 / 2  2T2  reduksi stokastik memperkecil fluktuasi jumlah
partikel. Gambar 4 memberikan bobot maximal
Simulasi numerik dilakukan terhadap besaran partikel dalam keseluruhan proses simulasi, yang
extra moment berikut ternyata benilai relatif cukup kecil. Serta Gambar
5 memberikan dugaan nilai kepadatan partikel
Φ (t ) = ∫ f (v, t )dv dalam sistem.
ℜ3 −Θ
dengan mempergunakan metode DSMC dan

SWPM pada prosedur reduksi stokastik. Hasil
simulasi tersebut disajikan pada Gambar 1 untuk
hasil simulasi metode DSMC, serta Gambar 2
untuk metode SWPM.
Gambar 3. Jumlah partikel simulasi extra moment

dengan SWPM
Gambar 1. Simulasi extra moment dengan DSMC
Gambar 4. Bobot maximal partikel simulasi extra

moment dengan SWPM
Gambar 2. Simulasi extra moment dengan SWPM
Dari kedua grafik tersebut dapat diamati bahwa

metode DSMC memberikan hasil pendugaan yang
tidak cukup memuaskan, terutama setelah suatu
tahap waktu tertentu metode ini tidak dapat lagi
memberikan interval kepercayaan pendugaan
yang positif. Sedangkan metode SWPM
memberikan hasil pendugaan yang lebih baik Gambar 5. Dugaan kepadatan partikel pada simulasi
dalam hal masih dapat diberikannya interval extra moment
kepercayaan yang positif (5).
36
3.2 Simulasi Self-similar dengan SWPM simulasi langsung Monte-Carlo (DSMC) adalah
metode yang umum diterapkan, akan tetapi
Bagian berikutnya dari studi simulasi numerik ternyata tidak cukup mampu memberikan hasil
diberikan untuk memberikan penyelesaian bagi yang memuaskan pada daerah dengan kepadatan
besaran α – moment berikut rendah.
Di lain pihak simulasi dengan metode partikel
Φ[|| v ||α ](t ) = ∫ || v ||α f (v, t )dv terbobot stokastik (SWPM) terbukti mampu
ℜ3 memberikan hasil yang lebih memuaskan. Metode
ini dapat memberikan pendugaan yang baik di
dengan f(v,t) adalah penyelesaian self-similar daerah dengan kepadatan partikel rendah. Lebih
menurut Bobylev dan Cercignani (3) dengan lanjut metode ini juga terbukti mampu memberikan
distribusi awal berikut: dugaan numerik bagi fungsi distribusi awal yang
∞ divergen, asalkan banyaknya partikel yang
4 ds  1 disimulasikan adalah cukup besar.
π ∫ (1 + s )
f (v ) = M  || v ||, 2 
2 2 s 
0 
DAFTAR PUSTAKA
dengan M(.) adalah distribusi Maxwell.
Keunikan dari model self-similar adalah bentuk 1. G. A. Bird. Molecular Gas Dynamics. Clarendon
distribusinya yang divergen, sehingga secara Press, Oxford, 1976.
umum konservasi energi tidak dapat 2. A. V. Bobylev. Exact solutions of the Boltzmann
dipertahankan (9). Sehingga solusi numerik α – equation. Sov. Phys. Dokl., 20(12): 822 – 824,
moment tersebut hanya dapat dilakukan pada nilai 1975.
3. A. V. Bobylev and C. Cercignani. Self-similar
α tertentu.
solutions of the Boltzmann equation and their
Pada contoh ini dipilih α = 0,75 dan metode applications. J. Statist. Phys., 106(5-6): 1039 –
yang dipergunakan adalah SWPM dengan 1071, 2002.
prosedur reduksi deterministik. Hasil simulasi 4. Matheis and W. Wagner. Convergence of the
disajikan pada Gambar 6. Hasil simulasi tersebut stochastic weighted particle method for the
memberikan gambaran bahwa metode SWPM Boltzmann equation. Preprint 739, WIAS,
terbukti cukup mampu untuk memberikan hasil Berlin, 2002.
numerik bagi pendugaan fungsi distribusi yang 5. E. H. Nugrahani and S. Rjasanow. On the
bukan maxwellian. Akan tetapi dapat dilihat bahwa stochastic weighted particle method. In M.
kedekatan hasil simulasi numeri ini akan sangat Griebel and M. A. Schweitzer, editors,
tergantung pada jumlah partikel awal yang Meshfree methods for partial differential
dipergunakan dalam simulasi, semakin kecil equations, Volume 26 of Lecture notes in
jumlah partikel maka pendugaan akan semakin computational science and engineering, pages
jauh dari solusi analitik eksak. 319 – 326. Springer, Berlin, 2003.
6. S. Rjasanow and W. Wagner. A Stochastic
Weighted Particle Method for the Boltzmann
Equation. J. Comput. Phys., 124: 243 – 253,
1996.
7. S. Rjasanow, T. Schreiber and W. Wagner.
Reduction of the number of particles in the
stochastic weighted particle method for the
Boltzmann equation. J. Comput. Phys., 145(1):
382 – 405, 1998.
8. Wagner, W. A convergence proof for Bird’s
direct simulation Monte-Carlo method for the
Boltzmann equation. J. Stat. Phys., 66(3-4):
Gambar 6. Simulasi self-similar pada α – moment 1011-1044, 1992.
dengan metode SWPM. 9. E. H. Nugrahani. Beiträge zur Numerik der
Boltzmann Gleichung. Dissertation. University
4. KESIMPULAN of Saarland, Germany, 2003.
Penyelesaian numerik persamaan Boltzmann

yang merupakan persamaan kinetik berdimensi
tinggi dapat diperoleh dengan menggunakan
metode partikel. Metode partikel dalam bentuk
37
RIWAYAT PENULIS of Saarland, Jerman, dalam bidang matematika

terapan. Saat ini penulis bekerja sebagai dosen di
Endar H. Nugrahani lahir di
Departemen Matematika, FMIPA, Institut Pertanian
Magelang pada tanggal 28
Bogor. Penulis menjadi anggota Himpunan
Desember 1963. Penulis
Matematika Indonesia (IndoMS – The Indonesian
menamatkan pendidikan
Mathematical Society) serta HYKE-Network
sarjana statistika pada 1987
(Hyperbolic and Kinetic Equations – Network of the
dan magister statistika pada
European Union).
1993 di Institut Pertanian
Bogor, serta pendidikan
Doktor pada 2003 di University
38
Analisis Aerodinamika Efek Railing dan

Ketinggian Dek Pada Jembatan Bentang Panjang
Fariduzzaman dan Dewi Asmara
UPT-LAGG, BPPT, PUSPIPTEK, Serpong
Tangerang-15314, INDONESIA
fz17561@yahoo.co.uk
Abstract
Railing of a long span bridge deck has two main functions: a windshield as well as
an aerodynamics appendages. Other aerodynamics aspect that is important to the
bridge designer is the deck height above water level.
A CFD (Computational Fluid Dynamic) software has been intensively used to

analyze those effects. The advantage of using a software, with respect to a wind
tunnel testing, is its flexibility and efficiency, where the model can be economically
modified.
The following paper will describe several analysis results from a case study of a
long span bridge to be build in Indonesia.
Keywords: Long span bridge, Computational Fluid Dynamic, Aerodynamics
1. PENDAHULUAN sekitar jembatan. Namun demikian, metoda

eksperimental memerlukan dukungan dana yang
Jembatan bentang panjang adalah pilihan relatif besar dan waktu yang lama dalam
yang paling tepat bagi interkoneksi antar pulau di persiapannya. Terutama jika ada perubahan
Indonesia. Arus transportasi dan komunikasi antar geometri atau konfigurasi dari rancangan struktur
penduduk akan terpacu, yang berarti pula tingkat semula.
kehidupan ekonomi akan bertambah tinggi pula. Analisis komputasional merupakan pilihan
Karena strukturnya yang panjang dan ekonomis, khususnya jika diperlukan proses
bertumpu kabel, maka secara alamiah jembatan perancangan iteratif, yakni perbaikan geometri
seperti ini akan bersifat fleksibel. Dalam pengaruh maupun konfigurasi struktur yang dilakukan secara
angin, terjadi interaksi dinamik antara aspek berulang. Namun demikian, saat ini metoda
aerodinamika dan inersia struktur (elastisitas), komputasional masih memiliki beberapa
disebut dengan aeroelastisitas. keterbatasan, antara lain: belum mampu
Stabilitas struktur terhadap efek angin digunakan untuk analisis struktur yang rumit.
menjadi sangat penting karenanya. Begitupula, analisis interaksi inersia struktur
Analisis aerodinamika dan aeroelastika dengan aerodinamika masih bersifat parsial,
jembatan bentang panjang dapat dilakukan artinya belum dapat dilakukan secara terpadu
dengan metoda eksperimental maupun dalam satu software.
komputasional. Berikut keunggulan dan Studi kasus dalam analisis ini adalah
keterbatasannya masing-masing. menggunakan salah satu rancangan jembatan
Analisis eksperimental dilakukan di yang dibangun di Indonesia. Jembatan ini
terowongan angin, dengan model fisik berupa merupakan jembatan jenis cable-stayed yang
replika perkecilan dari sebagian atau keseluruhan memiliki total bentangan 818 m dan bentangan
struktur jembatan sebenarnya. Metoda ini telah tengahnya (antara 2 pylon) adalah 434 m.
menjadi prasyarat utama dalam menyempurnakan Analisis dilakukan dengan bantuan software
rancangan struktur suatu jembatan bentang CFD (Computational Fluid Dynamic), CONCERT.
panjang. Hampir semua ahli jembatan bentang Dimana model jembatan diwujudkan sebagai
panjang telah mengakui kehandalannya. Dengan model irisan penampang atau disebut dengan
metoda ini, pemodelan dapat dilakukan dari yang model 2 dimensional dari potongan penampang
paling sederhana 2 dimensional sampai dengan 3 dek bagian tengah.
dimensional berikut model lingkungan / terrain
39
2. EFEK RAILING Porosity rendah mampu memberikan

perlindungan yang baik terhadap efek angin besar,
Railing pada jembatan umumnya ditujukan namun memberikan gaya-hambat / drag (CD) yang
untuk perlindungan pemakai jembatan itu sendiri: tinggi, serta membangkitkan angin turbulen di balik
pelindung dari kemungkinan kendaraan keluar dari railing. Sehingga pengendara akan merasakan
jalurnya maupun pelindung dari gangguan angin ketaknyamanan dari efek angin yang berfluktuasi
samping yang kuat. pada jarak tertentu dari railing.
Secara aerodinamika, railing juga memiliki Analisis CFD untuk efek ini ditujukan untuk
fungsi sebagai perangkat antivibration, yakni melihat distribusi vektor kecepatan angin di sekitar
perangkat untuk mengurangi getaran akibat aliran dek. Sehingga mempermudah proses modifikasi
angin (menstabilkan struktur dari kemungkinan rancangan yang biasanya dilakukan secara iteratif.
terjadinya getaran amplitudo besar). Zona medan aliran yang kurang nyaman untuk
Ada 2 metoda aerodinamika yang dapat dilalui, dapat di atur dengan mudah.
dimanfaatkan untuk mengurangi getaran: Metoda CFD juga dapat digunakan sebagai
- Metoda yang berfungsi me-laminarkan aliran pembanding terhadap data hasil eksperimental di
sekitar penampang struktur semaksimal terowongan angin.
mungkin, sehingga separasi aliran menjadi Uji terowongan angin menunjukkan bahwa
minimal. Misalnya dengan memasang fairing, porositas 0.4 – 0.5 adalah kompromi terbaik dari
cowling (deflektor), skirts dan pelat. fungsi perlindungan railing dengan gaya-hambat
- Metoda yang membangkitkan vortex atau yang ditimbulkannya (2).
men-separasi-kan aliran, sehingga aliran Untuk mendistribusikan gaya hambat secara
vortex dibelakangnya (downstream) menjadi proporsional, maka terkadang diperlukan
terpecah (irregular) dan lemah. Metoda ini rancangan railing yang porosity-nya dibuat gradual
biasanya diterapkan dalam bentuk flaps, sepanjang bentangan.
double flaps dan spoiler.
Jadi railing dapat berfungsi ganda, 3. KETINGGIAN DEK
membangkitkan vortex atau mengarahkan aliran
agar vortex tidak terjadi diatas dek, tapi diluar dek. Analisis perlu dilakukan karena adanya
praduga bahwa batas kestabilan aerodinamika
akan dipengaruhi oleh ketinggian dek terhadap
permukaan bumi (ground effect).
Hal ini juga di latar belakangi oleh fenomena
aerodinamika pada sayap pesawat terbang di
dekat landasan. Dengan konfigurasi sayap yang
sama tapi ketinggian berbeda, dekat landasan dan
jauh dari landasan, gaya angkat yang terjadi akan
berbeda pula (3). Gaya angkat sayap dekat
landasan akan lebih besar daripada sayap yang
jauh dengan landasan.
Hal ini timbul karena distribusi tekanan
dibawah dek akan berbeda untuk ketinggian
berbeda. Pada struktur yang jauh dari permukaan
bumi, aliran angin dibawahnya hampir tidak
memiliki gradient tekanan. Sedangkan struktur
yang dekat permukaan bumi, aliran udara
dibawahnya memiliki gradient tekanan, dimana
Gambar 1. Efek Bentuk Railing variasi tekanan ini dapat membangkitkan aliran
vortex (pusaran) dan turbulen.
Hal lain yang perlu diperhatikan dari Efek ketinggian dek jembatan terhadap
rancangan railing adalah porosity yakni rasio karakteristik aerodinamika dan aeroelastik pada
antara bagian yang terbuka dengan luas seluruh prinsipnya dapat dianalisis dengan CFD. Terutama
railing. Sedangkan struktur railing yang berupa untuk digunakan sebagai estimasi data awal dan
susunan bar atau pelat yang diberi lubang tidaklah data pembanding terhadap hasil uji terowongan
terlalu besar pengaruhnya pada stabilitas angin.
aerodinamika (1).
40
4. HASIL SIMULASI DAN DISKUSI disimulasikan pada kecepatan angin 5m/s, 10 m/s
dan 20 m/s.
4.1 Efek Railing Jelas terlihat bahwa karakteristik aliran
angin sekitar dek jembatan memiliki pola aliran
yang berbeda-beda pada ketiga kecepatan
tersebut. Begitupula, medan aliran sekitar dek,
memiliki beberapa zona pusaran angin (vortex):
dibawah dek, diatas lajur kendaraan roda 2 dan
diatas lajur kendaraan roda 4.
Untuk pusaran angin diatas lajur kendaraan
roda 4 kecepatan pusarannya sangat rendah dan
umumnya tak berpengaruh pada kendaraan,
sehingga tidak terlalu menganggu kenyamanan.
Namun untuk pengendara sepeda motor yang
lebih sensitif, efek pusaran ini akan terasa.
Dari segi besarnya kecepatan angin, dapat
dilihat bahwa secara keseluruhan kecepatan angin
yang melintasi dek adalah kecepatan rendah,
maksimum 30% dari kecepatan angin bebas.
Kecepatan Angin Bebas 5 m/sec. Sedangkan pusaran angin di bawah dek,
penting untuk dicermati karena dapat
menyebabkan perbedaan tekanan yang
berfluktuasi antara bagian atas dan bawah. Hal ini
biasa terjadi pada angin yang sangat turbulen.
Efek ini juga dapat terlihat dari kenaikan
displacement dek ketika kecepatan angin tinggi.
4.2 Efek Ketinggian Dek (Ground Effect)
Ada 3 macam ketinggian dari dek yang telah

disimulasikan untuk dikaji karakteristik alirannya.
Dimana dimensi struktur dek adalah dimensi model
terowongan angin, dengan tujuan supaya hasil
simulasi ini dapat pula dibandingkan dengan hasil
uji terowongan angin, termasuk untuk transformasi
Kecepatan Angin Bebas 10 m/sec.
ke jembatan sesungguhnya.
• Ketinggian pertama adalah 0.050 m atau
setara dengan 12.5 m dari permukaan air.
• Ketinggian kedua adalah 0.140 m atau setara
dengan 35.0 m dari permukaan air.
• Ketinggian ketiga adalah 0.200 m atau setara
dengan 50.0 m dari permukaan air.
Pada simulasi ini, selain besar dan arah
vektor kecepatan, parameter fisik lainnya yang
harus dilihat adalah distribusi tekanan serta gaya-
gaya aerodinamika. Parameter ini biasa
dinyatakan sebagai koeffisien non-dimensional :
CL (lift), CD (drag), CM (pitch).
Dari distribusi tekanan di medan aliran dapat
dilihat adanya kecenderungan aliran angin yang
mudah separasi, yang berarti pula alirannya
Kecepatan Angin Bebas 20 m/sec. menjadi lebih mudah turbulen. Makin dekat struktur
dek ke permukaan bumi makin besar perbedaan
Gambar 2. Peta Aliran dan Vektor Kecepatan gradient tekanannya di bawah dek.
Railing dipasang tanpa tekukan diujungnya

dan porositas yang digunakan adalah 60%,
41
Ketinggian Dek d=0.050 m Ketinggian Dek d=0.050 m
Gambar 3. Peta Aliran dan Vektor Kecepatan Gambar 4. Distribusi Tekanan Medan Aliran)
42
Dari simulasi ini dapat pula diketahui Koeffisien gaya angkat (CL) meningkat
distribusi tekanan (Cp) dipermukaan dek jembatan, tinggi dibanding koeffisien gaya hambat (CD).
Semakin dekat ke permukaan bumi, semakin
Distribusi Cp Perm ukaan Dek d=0.05m
besar gaya angkatnya, namun separasi aliran
0.4 akan lebih mudah terjadi dibawah dek. Hal ini
0.3
dapat dilihat dari distribusi tekanan disekitar dek.
0.2
5. KESIMPULAN
0.1
Cp
0 Pada analisis ini telah dikaji beberapa

-1.5 -1 -0.5 -0.1 0 0.5 1 1.5 simulasi aerodinamika jembatan bentang panjang,
-0.2 khususnya efek dari railing dan ketinggian dek.
-0.3
Namun untuk lebih lengkap dimasa datang,
simulasi efek railing dan ketinggian dek terhadap
-0.4
batas kestabilan aeroelastik perlu pula dilakukan.
x/chord
Hal tersebut belum dapat dilakukan karena
perlu integrasi simultan antara software simulasi
0.4
CFD dengan software simulasi sistem dinamik
yang biasanya berbasis FEM (Finite Element
0.3
Method).
0.2 Dari simulasi efek railing terbukti bahwa
0.1 aliran angin bebas (free stream) yang kecepatan
tinggi umumnya telah terdefleksi jauh dari
Cp
0
-1.5 -1 -0.5 -0.1 0 0.5 1 1.5 permukaan dek, namun disekitar dek muncul
-0.2 beberapa pusaran angin. Maksimum kecepatan
-0.3
pusaran angin diperkirakan 30% dari kecepatan
angin bebas.
-0.4
Untuk mengurangi efek pusaran angin,
x/chord
salah satu metoda yang dianjurkan adalah
membuat porositas railing yang tidak uniform tapi
0.4
gradual. Dengan demikian terjadi pula aliran shear
yang melawan pusaran tersebut. Tidak dianjurkan
0.3
membuat railing dengan porositas mendekati nol,
0.2 karena akan menambah gaya hambat yang besar
0.1 pada dek.
Cp
0 Secara khusus, ketinggian dek terhadap

-1.5 -1 -0.5 -0.1 0 0.5 1 1.5 permukaan bumi akan mempengaruhi gaya
-0.2 angkat, karena itu diperkirakan akan
-0.3 mempengaruhi pula batas kestabilan aeroelastik.
-0.4
DAFTAR PUSTAKA
x/chord
1. K.H. Ostenfeld and A. Larsen, “Bridge

Gambar 5. Distribusi Tekanan Permukaan Dek engineering and aerodynamics”, Proceeding
Aerodynamics of Large Bridge, pp. 3-22,
Dari segi gaya/momen aerodinamika maka Danish Maritime Institute and A.A. Balkema,
dapat dilihat perbedaan yang jelas pada gaya Rotterdam, 1992
angkat aerodinamika. 2. T.A. Wyatt, “Recent British developments:
Windshielding of bridges for traffic”,
Tabel 1. Gaya / Momen Aerodinamika Proceeding Aerodynamics of Large Bridge, pp.
159-170, Danish Maritime Institute and A.A.
Tinggi Dek CL CD Balkema, Rotterdam, 1992
0.05 m 0.339867 0.117812 3. D. Steinbach and K. Jacob, “Some
0.14 m 0.032766 0.134148 aerodynamic aspects of wing near ground”,
Transaction of Japan Society of Aerospace
Science vol. 34 No. 104 p.57-70, 1991
43
RIWAYAT PENULIS DEWI ASMARA lahir di Bandung

pada 28 Agustus 1974.
FARIDUZZAMAN lahir di Cianjur Menamatkan pendidikan S1 di
pada 17 Mei 1961. Menamatkan Jurusan Matematika UNPAD
pendidikan S1 di Jurusan Fisika tahun 1998. Saat ini bekerja
ITB tahun 1986, pendidikan S2 sebagai staf Mekanika Fluida
bidang Scientific and Engineering untuk spesialisasi CFD
Software Technology di Thames (Computational Fluid Dynamic) di
Polytechnic (Greenwich Univ.), UK, UPT-LAGG, BPPT, Serpong.
tahun 1990 dan pendidikan S2 bidang
Aeroelastisitas di Jurusan Teknik Penerbangan
ITB tahun 2001. Saat ini bekerja sebagai peneliti
untuk spesialisasi Aerodinamika Non-Aeronautik
(Industrial Aerodinamika) di UPT-LAGG BPPT,
Serpong.
44
PERKEMBANGAN DAN APLIKASI TEKNOLOGI

SIMULASI DAN KOMPUTASI IKLIM DAN KELAUTAN DI
INDONESIA
Edvin Aldrian
UPTHB – BPP Teknologi, Jl. MH Thamrin no 8, Jakarta 10340, edvin@webmail.bppt.go.id
Abstract
The development of computing technology allows us to perform the simulation of
the earth system climate. The most popular climate model is the atmosphere
followed by the ocean model. From both types of models, there have been several
variances of climate models, which eventually form an integrated earth system
model. The application of climate model in Indonesia has been pioneered and
done for several purposes. In doing a climate simulation, huge amount of data is
required. For that purpose, international data sharing is needed among countries to
foster the advancement of the climate simulation and computation. The progress of
computing technology especially the personal computer helps developing nations
to perform computation with affordable computers at high performance such as the
linux cluster.
Keywords: simulasi, komputasi, iklim dan kelautan
1. PENDAHULUAN Dari berbagai model iklim yang tersedia

sekarang ini, model iklim atmosfir adalah yang
Dalam dunia ilmu pengetahuan terdapat tiga paling tua dan dipakai sejak manusia memakai
sumber acuan informasi yaitu data hasil komputer untuk komputasi numeris sejak penemu-
pengamatan instrumen, hasil kajian teoritis dan an oleh Von Neumann di Princeton (Trenberth,
data hasil model. Ketiga jenis sumber informasi 1992). Pekerjaan pioner untuk pemodelan iklim
tersebut membuat trikotomi yang nyata dari global dilakukan oleh Smagorinsky pada tahun
peneliti ilmu pengetahuan. Masing-masing grup 1965. Sebelumnya beberapa perhitungan kom-
berpenda-pat bahwa sumber acuan mereka yang putasi cuaca juga dilakukan oleh Edward N
paling baik daripada yang lainnya. Sebagai contoh Lorentz pada awal dekade 1960 an. Pemodelan
pada pengkajian arus lintas laut Indonesia di selat iklim atmosfir, berkembang dari perhitungan
Makassar, pekerjaan observasi dilakukan oleh sederhana perubahan dan prediksi tekanan
Gordon et al. 1999 dan Ffield et al. 1999, teori oleh permukaan, aliran masa udara hingga proses
Godfrey 1996, sedangkan pemodelannya oleh konvektif di awan.
Kamenkoviks et al. 2004. Yang paling bernilai dari Hal lain yang perlu disadari mengapa model
ketiga dunia tersebut adalah hasil observasi iklim diperlukan adalah bahwa kita tidak dapat
instrumen pengamatan karena semua analisa melakukan eksperimen dengan alam. Berbagai
ilmiah akan dikembalikan kepada acuan tersebut. fenomena alam yang bersifat ekstrim seperti gejala
Akan tetapi pengamatan dengan instrumentasi El Niño dan kebakaran hutan dapat disimulasikan
apapun memiliki keterbatasan dari resolusi fisis dalam sebuah model tanpa merusak alam itu
alat serta tutupan spasial dan temporal. Selain itu sendiri. Terkadang kita membutuhkan penge-
keusangan alat akibat terlalu lama dipakai dan tahuan yang komprehensif apa yang dapat terjadi
jarang dikalibrasi juga dapat menjadi faktor apabila sebuah skenario gejala ekstrim terjadi. Hal
kesalahan berikutnya. Hasil pengamatan tersebut tersebut tidak mungkin kita lakukan di alam
biasanya ditumpahkan dalam hubungan teoritis terbuka tanpa membawa konsekuensi yang
dalam bentuk-bentuk formula. Kelemahan formula membahayakan, tetapi dapat dilakukan dengan
tersebut biasanya bekerja pada asumsi dan melakukan simulasi dalam sebuah model iklim.
keterbatasan teoritis akibat penyederhanaan yang Setelah mendapatkan persamaan teoritis
dilakukan. Asumsi dan penyederhanaan tersebut ber-bagai parameter, maka dilakukan
tidak dapat dihindarkan tetapi juga menyumbang penghubungan masing masing parameter dalam
pada faktor kesalahan teoritis. suatu model yang lebih komprehensif. Model dapat
45
dibuat dengan dimensi waktu atau salah satu bentuk orografi bumi yang curam. Dengan konsep
dimensi ruang. Kelebihan utama model adalah non hidrostatis, model dapat bekerja dengan
dapat memberikan solusi secara komprehensif orografi yang curam dan biasanya bagus dipakai
dan memberikan visualisasi yang lebih baik untuk untuk model resolusi tinggi yang sangat
hubungan beberapa parameter yang ada. memperhatikan aspek lokal. Model iklim global dan
Kekurangan dari model biasanya terletak dari regional biasanya bersifat hidrostatis, sedangkan
resolusi temporal dan spasial. Kemampuan model model yang sangat lokal bersifat non hidrostatis,
mensimulasikan feno-mena iklim dan cuaca akan contohnya adalah model proses permukaan untuk
meningkat pada fenomena berskala spasial dan model iklim bagi pertanian dan perkotaan.
temporal yang sesuai dengan kemampuan model. Sebagai dasar utama model iklim laut
Pada perkembangan saat ini model telah adalah proses dinamika laut dimana persamaan
dapat mengakomodir rumusan teoritis untuk gerak adalah fokus utamanya. Sama seperti model
bekerja pada dimensi waktu dan ruang secara 3 atmosfir, model laut juga dapat dibagi sebagai
dimensi. Akibat kemajuan dunia komputasi, maka model hidrostatik dan non hidrostatik dengan
saat ini hampir tidak ada masalah untuk pemakaian yang serupa. Pada model dengan
menjalankan model berbagai parameter secara tingkat detail yang tinggi dan skala lokal maka
komprehensif dan massive (dalam jumlah besar). model non hidrostatik lebih dibutuhkan.
Kemampuan terakhir inilah yang dibutuhkan untuk Sedangkan untuk skala global model hidrostatik
dunia model iklim yang membutuhkan perhitungan lebih disukai. Permasalahan konveksi daerah
yang massive dan komprehensif. Saat ini hampir turbulensi batas seperti di atmosfir juga dikenal di
semua komputer tercanggih di dunia dipakai untuk model laut. Persamaan fisis dari lapisan mixing
perhitungan pemodelan iklim dan cuaca tempat utama turbulensi dan konveksi sangat
(http://www.top500.org/). kompleks sehingga banyak pendekatan yang telah
diupayakan. Proses konveksi lebih berhubungan
2. SISTIM IKLIM dengan perpindahan masa dan energi secara
vertikal, sedangkan proses serupa dalam skala
Pada awalnya perkembangan model iklim horisontal dikenal dengan proses adveksi.
dilakukan terpisah-pisah antara beberapa kompo- Parameter input utama bagi daerah lapisan atas
nen iklim. Semua model iklim mengacu pada dua adalah flux (aliran) air dan energi dari atmosfir
unsur utama iklim yaitu energi dan siklus air serta aliran air dari daratan. Perbedaan utama
(Gambar 1). Siklus air terjadi di atmosfir, lautan, model laut dan atmosfir adalah skala waktu gerak
daratan dan dalam es di permukaan, sehingga yang lebih cepat untuk atmosfir. Parameter utama
model iklim utama terbagi antara model atmosfir, dalam dinamika laut adalah profil salinitas dan
laut, hidrologi permukaan dan varian dari model es suhu. Sehingga proses dinamika laut sering
seperti sea-ice model dan ice hidrology (Gambar disebut sebagai thermohaline circulation.
2). Hingga saat ini komponen utama model iklim Sedangkan parameter utama untuk muka laut
selalu mengacu pada model atmosfir. Pada adalah suhu dan tinggi muka laut.
perkembangannya, berbagai komponen model Seperti atmosfir, laut juga memiliki daerah
tersebut menyatu menuju satu arah yaitu model batas. Perbedaan utamanya adalah batas laut
iklim kebumian terpadu (integrated earth system yang terdiri dari batas atas (muka laut), batas
model) daerah domain dan batas dasar laut. Yang terakhir
Dalam perkembangannya terdapat adalah perbedaan utama antara laut dan atmosfir
beberapa varian pemodelan iklim atmosfir dimana atmosfir sering dianggap tidak memiliki
diantaranya model iklim global, model iklim batas atas. Batas bawah laut sangat penting untuk
regional atau limited area model, model per- mengetahui arah aliran masa air laut sehingga
awanan dan model lokal skala resolusi tinggi untuk berperan penting pada proses konveksi dan
proses di permukaan tanah dan lapis batas adveksi yang akhirnya mempengaruhi profil
atmosfir. Dari jenis dinamika perlapisan model salinitas dan suhu. Batas lapis dasar laut juga
atmosfir dan demikian juga model laut dibedakan penting bagi proses sedimentasi daerah pesisir.
dengan model hidrostatik dan model non Karena daerah batas dasar laut sudah bersifat
hidrostatik. Model hidrostatik mengacu pada statis dengan data topologi laut, maka input utama
perubahan minimal antar lapisan sehingga model laut ada di permukaan laut. Untuk model
diasumsikan tidak terjadi proses perpin-dahan laut regional membutuhkan juga parameter di
masa secara vertikal dan aliran masa udara daerah batas domain. Untuk hal ini biasanya
bersifat laminar mengikuti orografi bumi. Konsep model laut mendapatkan data daerah domain dari
hidrostatis ini bersifat idealis dan membantu data rata-rata klimatologi lautan. Data klimatologi
perhitungan agar tidak terlalu rumit, tetapi didapat dari data rata-rata iklim 30 tahunan dan
kekurangan utama adalah konsep ini menafikan data yang sering dipakai saat ini adalah koleksi
46
Levitus (1998). Untuk atmosfir data daerah batas 2.50 untuk keluaran NCEP/ NCAR. Sebagai contoh
domain didapat dari data observasi harian sebuah model iklim atmosfir regional yang bekerja
terutama data satelit, sedangkan di bawah laut, pada skala resolusi 55 km membutuhkan sekitar
data serupa tidak ada sehingga hal ini adalah 247 parameter input setiap 6 jam untuk bekerja
salah satu masalah utama untuk model laut. Model yang terdiri dari data permukaan dan 20 lapisan.
laut global mendapatkan informasi permukaan dari Data dalam jumlah besar tersebut akan
reanalisa atmosfir permukaan atau dari keluaran diinterpolasikan pada bagian batas model kedalam
model atmosfir global. Parameter laut permukaan periode waktu pemodelan seperti misalnya 5 menit
yang dibutuhkan oleh model laut adalah tekanan atau 300 detik.
permukaan, suhu permukaan yang biasa diwakili Saat ini data tersebut tersedia di internet
oleh suhu 2 m, angin permukaan, stress angin dan membutuhkan hubungan internet kecepatan
permukaan, tutupan awan, radiasi matahari di tinggi untuk keperluan mengakses data tersebut
permukaan dan curah hujan permukaan. bagi pemodelan yang kontinyu. Untuk keperluan
Perbedaan utama dari dinamika laut dan jangka panjang dibutuhkan kerja sama
atmosfir adalah lama adaptasi atau waktu memori internasional agar ada ketersediaan data yang
diantara keduanya dimana atmosfir memiliki memadai secara terus menerus. Pada dasarnya
ingatan yang cepat dan laut yang lama. Sifat ini data yang dikumpulkan, sebagian besar didapat
diperlukan untuk memulai suatu model iklim dari hasil pengukuran meteorologis negara-negara
atmosfir dan laut. Sebuah model iklim akan dimulai di dunia ini.
pada masa initiasi tertentu dan dijalankan menurut Metoda numerik matematik merupakan
kondisi saat tertentu. Untuk atmosfir, peran dari engine matematis utama dalam pemodelan 3
masa lalu terhadap iklim saat ini tidak terlalu besar dimensi. Parameter fisika secara spasial akan
sehingga diperlukan masa initiasi yang pendek. didekati oleh dua pendekatan yaitu metoda
Sedangkan untuk lautan diperlukan masa initiasi element hingga (finite element), finite difference
yang panjang. Biasanya untuk keperluan model dan metoda spektral. Karena unsur atmosfir bumi
atmosfir hanya butuh jam-jaman, sedangkan yang bersifat global dan kontinyu, metoda spektral
initiasi model laut global membutuhkan hingga 30 yang berbasis pada penerapan fungsi-fungsi
tahun. Daya ingat yang cepat dari atmosfir matematis spektral sinusoidal lebih dipakai. Pada
memiliki kerugian dalam hal gangguan yang persepsi spektral, semua fungsi dapat
sangat lokal sekalipun untuk model iklim global. direpresentasikan dalam bentuk spektral
Pengaruh sekecil apapun berpengaruh terhadap frekuensinya sehingga dapat didekati dengan
cuaca saat tertentu. Fenomena ini dikenal dengan pendekatan fungsi-fungsi sinusoidal. Untuk
nama butterfly effect. Prinsip serupa tidak terjadi di pendekatan temporal, kedua metoda diatas juga
laut karena resistensi masa laut akibat memori dapat dipakai. Untuk kestabilan model diperlukan
yang lama menahan pengaruh lokal dalam waktu bahwa nilai resolusi temporal dibagi resolusi
singkat untuk berperan besar. spasial jauh lebih kecil dari satu.
Perhitungan kekekalan energi dan
3. METODA KOMPUTASI momentum dan hukum kontinuitas masa
merupakan basis hukum dinamika alam.
Pemodelan iklim seringkali juga terbentur Diperlukan perhitungan yang seimbang antara
oleh ketersediaan data pengamatan, sehingga energi yang masuk dan keluar serta kekekalan
model iklim lebih banyak bekerja dengan data momentum. Kekekalan momentum menjamin
yang terinterpolasi. Saat ini data pengamatan perhitungan energi kinetis sedangkan hukum
harian dari seluruh dunia dikumpulkan secara kontinuitas masa menjamin perhitungan energi
elektronis untuk kepentingan pemodelan iklim. potensial. Sebagai sumber utama energi di
Saat ini ada dua pemakai utama dari data tersebut atmosfir yang pada akhirnya menjalankan angin
yaitu dari European Centre for Medium Weather adalah energi radiasi matahari dan bumi. Sumber
Forecast (ECMWF) yaitu konsorsium Eropa untuk utama dinamika laut adalah angin permukaan
masalah cuaca dan iklim. Pemakai kedua adalah yang digerakkan oleh perbedaan energi akibat
dari NCEP/NCAR yaitu dari Amerika Serikat. radiasi matahari, sehingga akhirnya seluruh
Selain kedua pemakai utama tersebut Jepang, dinamika atmosfir dikendalikan oleh perhitungan
Australia dan Kanada juga mengadakan energi radiasi matahari dan bumi yang tepat.
pemodelan iklim mereka sendiri. Data-data Biasanya dalam sebuah model iklim atmosfir,
observasi meteorologi pada umumnya bersifat perhitungan energi ini memakai hingga 30% dari
terbuka dan boleh dipakai oleh siapa saja untuk sumber daya komputer yang ada.
kepentingan khalayak umum sehingga tersedia di Dalam mengaplikasikan teori-teori fisika dan
jaringan internet. Data tersebut tersedia setiap 6 dinamika kedalam model, perlu dilakukan pende-
jam untuk resolusi 1.1280 keluaran ECMWF dan katan dengan berbagai parameterisasi seperti
47
proses pembentukan awan yang merupakan berbagai kriteria lainnya. Pembagian grid yang
media sentral transfer energi dan masa udara paling sederhana dan umum adalah kotak-kotak
serta proses turbulensi dan berbagai gelombang seperti papan catur. Akan tetapi pemilihan sistim
(Gambar 3). Pada model iklim laut juga proses grid ini hanya baik untuk daerah tropis. Untuk
turbulensi atau mixing serta gelombang laut akibat daerah kutub, misalnya, pemilihan tetap kotak-
angin adalah faktor penting untuk di parameter- kotak papan catur yang direpresentasikan dalam
risasi. Pada model laut yang berdiri sendiri, proses koordinat cartesian bujur dan lintang bumi.
fluks uap air dan energi antara atmosfir dan laut Sehingga dalam perhitungan bujur dan lintang
juga memegang peranan penting sehingga perlu terlihat tidak kotak-kotak. Selain itu daerah kutub
diparameterisasi dengan benar karena akan juga bermasalah karena berseberangan dengan
mempengaruhi nilai SST dan besarnya mixing di berbagai belahan bumi (barat dan timur), serta
lapisan permukaan. terkadang memotong garis penanggalan.
Data untuk model iklim tergantung pada Diperlukan perhitungan tambahan untuk
modus peruntukan modelnya. Ada dua modus mengkoreksi berbagai reinter-pretasi tersebut.
pengope-rasian model yaitu modus iklim dan Cara grid terbaru memakai sistim curvilinear grid
modus forecasting atau peramalan. Modus iklim (Gambar 4), dengan cara ini sebuah model dapat
mengacu pada pengkajian cuaca atau iklim yang memiliki kutub dimana saja diinginkan dan memiliki
sudah berlalu, sedangkan modus ramalan untuk beberapa kutub sekaligus. Keuntungan dengan
cuaca mendatang. Model iklim regional dapat sistim ini model dapat memiliki daerah yang lebih
dipakai untuk kedua modus tersebut, karena detail pada wilayah tertentu tanpa mengabaikan
fungsi dari model iklim regional adalah sebagai aspek dinamika global (Gambar 4). Aspek
alat kaca pembesar kondisi iklim global. Hasil dari perbedaan grid merupakan perhatian utama para
model iklim global biasanya diberikan sebagai pemodelan iklim dimana mereka membutuhkan
input untuk model iklim regional dimana dinamika metoda agar antara model iklim dapat
proses yang terjadi kembali dihitung dalam skala berkomunikasi pada grid yang berbeda.
regional. Sedangkan untuk model global dapat Resolusi kerja model iklim global hingga
juga dipakai untuk modus iklim tetapi untuk modus lokal bervariasi dan biasanya ditentukan oleh nilai
forecast memiliki keterbatasan. Untuk modus spektralnya. Nilai spektral adalah berapa banyak
forecast dibutuhkan kedua model iklim laut dan gelombang spektral dalam satuan radius bumi
atmosfir yang dijalankan sekaligus dimana terjadi yang direpresentasikannya. Contohnya model
feedback antara keduanya. Masing masing model resolusi T42 bekerja dengan nilai spektral 42 yaitu
tersebut tidak dapat jalan sendiri sendiri untuk bisa menyelesaikan 42 gelombang melingkari
modus ramalan karena masing masing saling bumi atau dengan resolusi sekitar 3.875 derajat
membu-tuhkan untuk data di permukaan laut. atau 400 km persegi di daerah equator. Pada
Untuk modus ramalan hanya membutuhkan data perhitungan awal dipakai model resolusi T21,
awal atau inisial dan model akan berjalan dengan tetapi saat ini sudah banyak model iklim global
sendirinya setelah itu. Untuk data awal biasanya bekerja pada resolusi T106, T256 dan resolusi
dipakai data kondisi terakhir saat ini. Untuk model yang lebih tinggi lagi (Gambar 5). Contoh pada
non ramalan dan non global, data dipenuhi dengan resolusi T106 bekerja pada resolusi 110 km
kebutuhan di daerah batas. Untuk model atmosfir persegi di daerah equator. Pada model regional
global biasanya membutuhkan data SST, dan lokal, bisa bekerja pada 0.5, 1/6 derajat atau
sedangkan untuk model laut global membutuhkan hingga 1 km persegi. Proyek Earth Simulator di
data atmosfir di permukaan laut. Sedangkan untuk Yokohama Jepang saat ini mengembangkan
model iklim regional baik model laut maupun model iklim atmosfir global dengan resolusi T1279
atmosfir membutuhkan juga data di daerah batas atau setara dengan 15km, sedangkan versi laut
domain di laut atau di atmosfir pada masing yang dipakai memakai resolusi spasial 11 km yang
masing lapisan. Untuk keperluan pemodelan mana hasilnya dapat mensimulasikan arus lintas
atmosfir data tersebut biasanya didapat dari hasil Indonesia melalui selat Makassar secara detail.
reanalisa cuaca terdahulu. Selain data tersebut Saat ini semua model iklim sudah dapat
yang bersifat dinamis, diperlukan juga data statis berjalan pada semua platform komputer. Karena
permukaan seperti data orografi dan tutupan membutuhkan komputasi dengan kinerja tinggi,
lahan. Data tutupan lahan berisi data jenis hampir seluruh model iklim bekerja pada komputer
vegetasi yang mana darinya akan diambil berbasis Unix dan dengan bahasa Fortran.
informasi albedo, leaf area index (LAI), rasio Kendala dalam pengolahan data adalah jenis data
tutupan hutan dan kekasaran permukaan. yang berbeda antara computer mainframe (big-
Semua model iklim bekerja pada sistim grid endian) dan computer PC berbasis linux (little-
tertentu. Terdapat banyak grid sistim dan endian). Dengan memakai program konversi,
pemilihannya berdasarkan kebutuhan dan masalah tersebut bukanlah hambatan lagi, karena
48
hampir seluruh model dibuat dalam bahasa Pemakaian jenis berikutnya yang popular
Fortran yang memiliki kemampuan numeris yang adalah peramalan dan prediksi iklim dan cuaca.
lebih baik dari bahasa pemrograman lainnya. Pemakaian jenis inilah yang sangat diharapkan
Kemudian kinerja dari sebuah model iklim oleh masyarakat umum, dimana diharapkan ada
tergantung pada besarnya grid sistem yang keluaran yang sesuai dengan cuaca yang akan
dipakai dan kompleks-nya parameter yang datang. Kesulitan dari peramalan datang dari
dihitung. Ada model iklim yang dibuat dengan berbagai sebab seperti asimilasi data pengamatan,
metoda perhitungan sederhana untuk kasus kesalahan numeris pemodelan akibat berbagai
khusus dan ada yang sudah terinte-grasi dalam faktor konstanta, kesalahan prediksi akibat faktor
komponen-komponen parameter fisis yang internal model yang dipakai atau faktor internal
lengkap. Saat ini model iklim sudah memadai iklim regional. Faktor internal model dapat
untuk dijalankan pada sebuah PC. Selanjutnya, memberikan kontribusi kesalahan apabila terjadi
dengan perkembangan teknologi linux cluster pemilihan waktu dan jarak resolusi yang kurang
maka kemampuan super komputer dapat segera memadai sehingga terjadi instabilitas model.
diimbangi dengan kombinasi paralel komputer Kejadian ekstrem yang tidak terkontrol atau kurang
berbasis linux. Hal ini akan sangat menguntungkan sempurnanya perambatan fisis di atmosfir pada
bagi negara berkembang karena biasanya grid yang dipakai juga dapat membuat ketidak-
tersangkut pada biaya yang mahal untuk menda- stabilan pemodelan. Faktor internal sistim iklim
patkan fasilitas komputasi dengan kinerja tinggi. regional juga berpengaruh terhadap model apabila
Biasanya sebuah model iklim dijalankan daerah tersebut dipengaruh oleh gejala regional
hanya untuk perhitungan numeris saja, sedangkan atau global yang kuat seperti El Nino. Apabila hal
untuk menampilkan data dan hasil simulasi itu terjadi maka kemampuan prediksi model dapat
dilakukan pre dan post processing untuk mengolah menurun hingga kapasitas minimum. Pemakaian
data tersebut lebih lanjut. Data keluaran model model untuk peramalan dan prediksi biasanya
diolah dengan berbagai tools atau aplikasi dipakai untuk iklim yang sedang dan akan terjadi.
tambahan. Pemakaian model iklim berikutnya adalah
untuk menguji skenario iklim yang dapat terjadi
4. APLIKASI MODEL IKLIM dimasa datang. Seperti diterangkan di atas, model
dapat dipakai untuk melakukan eksperimen di
Perkembangan model iklim atmosfir saat ini alam tanpa merusak alam itu sendiri. Skenario
telah jauh untuk mengakomodir perkembangan perubahan iklim global dan bagaimana kondisi
ilmu pengetahuan sehingga dalam model atmosfir iklim pada abad mendatang merupakan hal yang
dilengkapi dengan modul proses kimia untuk paling sering disimulasikan (Gambar 8). Sebagai
masalah polusi, pemanasan global, ekonomi dan contoh hasil simulasi scenario perubahan iklim
kesehatan. Pemanfaatan model iklim juga telah terhadap intensitas curah hujan Indonesia
diperluas dari sekedar untuk melakukan prediksi ditampilkan oleh Hulme dan Sheard (1999) pada
cuaca dan iklim ke depan dan ke belakang, juga Gambar 9. Pemakaian model untuk jenis ini
untuk pengkajian skenario perubahan iklim global, sekarang cukup meluas hingga pembahasan
peristiwa ledakan nuklir, penyebaran polutan, faktor sosial ekonomi masyarakat akibat dampak
skenario geografis seperti perubahan lahan akibat perubahan iklim global tersebut. Pemakaian model
aforestasi dan deforestasi. untuk skenario iklim biasa dilakukan pada iklim
Pemakaian model iklim yang paling besar yang telah lama terjadi pada pemakaian iklim
adalah untuk melakukan pengkajian iklim dengan paleo atau pada iklim yang masih jauh akan terjadi
melihat pola dan perilaku iklim seperti variabilitas seperti pada skenario pengaruh gas-gas rumah
tahunan atau pada jangka waktu yang lebih lama kaca atau perubahan iklim global.
lagi seperti kajian variabilitas iklim lautan Indonesia Pemakaian model iklim untuk keperluan
oleh Aldrian 2003 (Gambar 6) dan variabilitas praktis lainnya seperti masalah polusi dan asap
hujan oleh Aldrian et al (2004a). Kajian iklim perlu kebakaran hutan juga dilakukan seperti pada
dilakukan karena hasil pengamatan lapangan pengkajian penyebaran asap kebakaran hutan di
sangat terbatas pada titik-titik pengamatan tertentu Indonesia oleh Heil dkk (2004; Gambar 10). Dari
dan tidak dapat memberikan gambaran hasil kajian dan simulasi skenario iklim, berbagai
komprehensif antara beberapa parameter kebijakan para pengambil keputusan yang
sekaligus. Keuntungan spasial dan temporal dari berhubungan dengan data cuaca dan iklim dapat
hasil kajian model iklim harus selalu dikaitkan lebih terpadu guna lagi. Yang pada akhirnya
dengan hasil observasi yang terbatas tersebut. pemakaian model iklim diharapkan merupakan
Pengkajian dengan model iklim biasanya dilakukan salah satu upaya mengerti mekanisme dan proses
pada iklim yang lampau atau telah terjadi seperti mitigasi bencana iklim dan cuaca.
pada Aldrian et al. 2004a (Gambar 7).
49
5. MENUJU PEMODELAN KEBUMIAN keluaran model bersifat terlalu ektrim seperti curah
TERINTEGRASI hujan yang terlalu tinggi.
Salah satu varian model iklim yang lagi tren
Model iklim kedua yang paling banyak saat ini adalah model iklim bidang biogeokimia di
dipakai setelah model iklim atmosfir adalah model atmosfir dan lautan. Untuk aplikasi di atmosfir
iklim laut. Perbedaan utama model laut dan diperlukan hubungan dari pemakaian berbagai zat-
atmosfir adalah skala waktu gerak yang lebih zat kimia seperti DDT dan bagaimana pengaruh
cepat untuk atmosfir. Parameter utama dalam penyebarannya terhadap ekologi lokal, regional
dinamika laut adalah profil suhu dan salinitas. dan global. Untuk wilayah laut masalah biogeo-
Sehingga proses dinamika laut sering disebut chemistry diperlukan untuk mengetahui siklus
sebagai thermohaline circulation. Sedangkan karbon yang terjadi dan hubungannya terhadap
parameter utama untuk muka laut adalah suhu dan upaya peredaman dampak pemanasan global dan
tinggi muka laut. Aplikasi model laut sering mekanisme penyebaran zat-zat kimia di muara
dipergunakan untuk kajian aliran masa air laut sungai atau wilayah pesisir seperti kasus Buyat
untuk kepentingan fisika laut dan perikanan. Model yang baru lalu atau pencemaran red tide di teluk
laut regional sering dipakai untuk pengkajian Jakarta bulan Maret 2004.
daerah pesisir untuk masalah sedimentasi dan Semakin tingginya kompleksitas model iklim
polutan. Model iklim laut adalah komponen utama sebenarnya memberikan bahaya tersendiri pada
untuk melakukan prediksi iklim bulanan dan tiga interpretasi hasil karena kompleksitas berarti
bulanan karena sifat lautan yang lama bereaksi semakin banyak faktor turunan kesalahan dari
dalam dinamikanya. Pemakaian kedepan dari asumsi teori yang dipakai dari masing masing
model laut adalah pengembangan untuk masalah model. Pemakaian model-model yang kompleks
biogeokimia laut seperti proses pelarut gas-gas lebih kepada penggunaan sebagai modeling an-
rumah kaca dan model biologi laut untuk perikanan sich yaitu pemakaian model sebagai alat untuk
serta hubungan proses biologi dan fisika laut. mengerti proses komprehensif di belakang dari
Sebagai contoh telah diketahui hubungan parameter yang diinginkan. Diperlukan proses
keberadaan zat besi di muka laut terhadap panjang agar dapat diambil umpan balik dari
populasi zooplanton dan pada akhirnya proses tersebut untuk memperbaiki model yang
mendinginkan lapisan atmosfir permuka-an yang dipakai. Sehingga hasil model lebih sering dipakai
menghambat proses pemanasan global. untuk verifikasi data lapangan daripada dipakai
Keberadaan proses biologi juga dicurigai sebagai untuk prediksi proses-proses kompleks.
pemicu gejala El Nino dan La Nina. Pemakaian model untuk prediksi lebih banyak
Beberapa varian lain dari model iklim yang untuk model atmosfir. Pemakaian model lebih
juga dipakai adalah model es laut, model hidrologi banyak untuk verifikasi, dimana sering dipakai
permukaan, model proses permukaan tanah, sebagai media kontrol untuk eksperimen berbagai
model transport kimia laut dan atmosfir, model skenario ilmiah. Pemakaian model untuk jenis ini
biogeokimia dan model iklim sosial ekonomi. jelas berbahaya karena hasil yang didapat sering
Masing masing model juga terdapat dalam skala mengabaikan proses kompleks yang terjadi di
regional dan global. Kecendrungan model selalu alam dan seringkali menyederhanakannya dengan
mengarah ke perhitungan global dalam tujuan melihat perbedaan antara hasil model kontrol dan
untuk membuat suatu model sistim iklim dunia. model skenario belaka. Apalagi apabila kita
Sehingga pendekatan untuk menggabungkan melihat aspek turunan asumsi kesalahan teori.
beberapa model merupakan suatu trend Walau demikian model adalah satu satunya alat
pemakaian model iklim tersendiri. Gambar 11 eksperimen yang paling murah dan aman bagi
memberikan ilustrasi proses penggabungan antara lingkungan serta mudah dilakukan.
model iklim atmosfir regional dengan model iklim Proyek perpaduan berbagai model iklim
laut global untuk wilayah Indonesia (Aldrian et al. adalah upaya besar yang saat ini dilakukan untuk
2004b). Penggabungan dua buah model iklim tidak memahami lebih komprehensif berbagai isu iklim
selalu mulus karena banyak faktor terkait. Sebagai dan lingkungan global. Masalah terbesar adalah
contoh antara model iklim laut dan atmosfir dapat resolusi model dan sistim parameterisasi proses.
terjadi proses redam yang mengalir ke kedua Saat ini sebuah komputer tercanggih di dunia telah
model tersebut. Hal ini karena proses tarik menarik dipasang di Earth Simulator Project di Yokohama
dua gelombang yang berbeda fase dan frekuen- Jepang (http://www.es.jamstec.go.jp/esc/eng/) un-
sinya. Proses redam tersebut dapat berarti positif tuk melakukan penelitian tersebut. Diharapkan
karena pada model iklim yang lepas satu sama dapat dilakukan simulasi iklim dunia pada resolusi
lain, biasanya tidak ada kontrol dinamis di daerah 1 hingga 3 km dengan model global. Model ini
lapis batas model sehingga seringkali hasil diharapkan dapat memberikan proses konvektif
50
laut atmosfir yang sesuai dengan realitas di alam, Ffield, A., K. Vranes, A. L. Gordon, R. D. Susanto,
meskipun hanyalah pendekatan. 1999, Temperature variability within Makassar
Strait, Geophys. Res. Lett., 27, 237-240
6. CATATAN AKHIR
Godfrey, J. S., 1996, The effect of the Indonesian
Pemakaian model iklim atmosfir dan laut throughflow on circulation and heat exchange
untuk Indonesia relatif masih baru. Keterbatasaan with the atmosphere: A review. J. Geophys.
sumber daya manusia dan komputer untuk Res., 101, 12,217–12,337.
masalah ini merupakan hambatan tersendiri. Untuk
kebutuhan wilayah yang sedemikian luas, Gordon, A. L., R. D. Susanto, A. Ffield, 1999,
Indonesia membutuhkan pengamatan iklim Throughflow within Makassar Strait, Geophys.
terpadu yang cukup mencakup seluruh wilayah Res. Lett., 26, 3325-3328
Indonesia. Hal tersebut membutuhkan biaya yang
sangat besar. Data hujan sendiri yang merupakan Heil, A., B. Langmann, E. Aldrian, 2004,
model utama verifikasi berbagai model iklim tidak Indonesian peat and vegetation fire emissions:
tersusun rapi dan memadai. Kebutuhan komputer Factors influencing large-scale smoke-haze
mungkin dapat diatasi dengan teknologi murah dispersion, Mitigation and Adaptation Strategy
seperti linux cluster, tetapi untuk penggunaan data for Global Change, in press
membutuhkan kerjasama internasional yang
handal untuk kelangsungan model tersebut. Hulme, M. and Sheard, N., 1999, Climate Change
Kompleksitas masalah lingkungan dan iklim di Scenarios for Indonesia Climatic Research
Indonesia dewasa ini mendorong kita cepat atau Unit, Norwich, UK, 6pp.
lambat untuk mengadopsi pemakaian model iklim. http://www.cru.uea.ac.uk
Saat ini tersedia banyak model iklim di internet
yang dapat diakses secara gratis dan dipakai IPCC panel, 2001, IPCC Report „Climate Change
sebagai model iklim komunitas. 2001: The Scientific Basis“,
DAFTAR PUSTAKA Kamenkovich, V. M., W. H. Burnett, A. L. Gordon,

and G. L. Mellor, 2003, The Pacific/Indian
Aldrian, E., 2003, Simulations of Indonesian Ocean pressure difference and its influence on
Rainfall with a Hierarchy of Climate Models, the Indonesian Sea circulation: Part II- The
PhD dissertation, Max Planck Insitute for study with specified seasurface heights., J.
Meteorology Marine. Res., 61, 613–634.
Aldrian, E., R. D. Susanto, 2003, Identification of Levitus, S., T. P. Boyer, M. E. Conkright, T.

three dominant rainfall regions within Indonesia O’Brien, J. Antonov, C. Stephens, L.
and their relationship to sea surface suhue, Intl. Stathoplos, D. Johnson, and R. Gelfeld, 1998,
J. Climatol., 23, 1435-1452 Introduction. NOAA Atlas NESDIS 18, Ocean
Climate Laboratory, National Oceanographic
Data Center, vol 1, chap. World Ocean
Aldrian, E., L. D. Gates, F. H. Widodo, 2003,
database 1998., US Government Printing
Variability of Indonesian Rainfall and the
Office, Washington, DC.
Influence of ENSO and Resolution in ECHAM4
simulations and in the Reanalyses, MPI Report
346, 30pp [Available from Max Planck-Institut Trenberth K. E., 1992, Climate System Modeling,
für Meteorologie, Bundesstr. 55, D-20146, Cambridge Univ Press.
Hamburg, Germany.]
Aldrian, E., L. D. Gates, D. Jacob, R. Podzun, D. RIWAYAT PENULIS

Gunawan, 2004a, Long term simulation of the
Indonesian rainfall with the MPI Regional Born in Jakarta, 2 August 1969,
Model, Climate Dynamics, 8, 794-814 received Bachelor degree in
Engineering Physics in McMaster
Aldrian, E., D. Sein, D. Jacob, L. Dümenil-Gates, University Canada, 1993,
R. Podzun, 2004b, Modelling Indonesian received Master of Science in
Rainfall with a Coupled Regional Model, Earth Science in Radar
accepted in Climate Dynamics Meteorology from Nagoya
University Japan, 1998, received
51
a Doctoral degree from Max Planck Institut für ECHAM GCM, Jan – March and July – September
Meteorologie, Germany, 2003. Work as a scientist 1999; Advanced Course: Climate change in the
in UPT Hujan Buatan, BPPT since November mediterranean region part I: physical Aspects, The
1993. Lecturer of Marine Meteorology at Abdus Salam International Center for Theoretical
University of Indonesia since 2004. Participating in Physics ICTP, Trieste, Italy, March 2001; short
several short courses: STMDP preparation course on Meteorology: Predictability, Diagnostics
program, 1988-1989; short course on Meteorology and Seasonal Forecasting, European Center for
in UI, March 1995; training on data analysis of Medium Range Weather Forecast (ECMWF),
wind profiler radar in Radio Atmospheric Science Reading, UK, April 2001; PRISM/COACh Summer
Center, Kyoto University, Japan, November 1995; School on Climate Modelling, Max Planck Institut
basic training Geographic Information System, für Meteorologie-KNMI The Netherlands, Les
Geography Dept. UI, June 1996; International Diablerets, Switzerland; School on the physics of
Hydrology Programme Training Course with topic the Equatorial Atmosphere, ICTP, Trieste, Italy,
Ice and Snow Hydrology, IHAS, Nagoya University September 2001; Seminar on Predictability of
and UNESCO, March 1998; Visiting scientist in Weather and Climate, ECMWF, Reading, UK,
Max Planck Institut für Meteorologie, Hamburg, September 2002.
learn the Indonesian climate variability and
Gambar 1. Sistim iklim muka bumi
52
Gambar 2. Perkembangan model iklim pada 2.5 dasa warsa terakhir dan kedepan yang menunjukkan
berbagai komponen model dikembangkan terpisah dan kemudian dicouple (kombinasikan) menjadi
sebuah model iklim yang komprehensif dari IPCC panel (2001)
53
Gambar 3. Hubungan antara berbagai komponen iklim dan komponen model dalam sebuah model iklim,
dalam contoh ini dipakai model iklim global ECHAM keluaran Max Planck Institute for Meteorology
Jerman.
54
Gambar 4. Contoh penerapan resolusi grid T21, T42, T63 dan T106 (dari kiri ke kanan).
Gambar 5. Salah satu penerapan grid sistim curvilinear untuk model iklim laut global dimana memakai
perhitungan detail pada wilayah tertentu. Pada model grid ini kutub utara dipindahkan ke wilayah Cina
dan kutub selatan di wilayah Australia agar mendapatkan detail untul benua maritim Indonesia. Kedua
kutub, karena dilingkari oleh zona kutub dan menghindari singulariti, harus diletakkan di daratan,
sehingga posisi yang paling praktis adalah di kedua wilayah tersebut, dari Aldrian (2004b)
55
Gambar 6. Sistim arus laut permukaan akibat angin monsoon di Indonesia bagian timur sebagai keluaran
dari model iklim laut dari Aldrian (2003)
56
Gambar 7. Contoh keluaran model iklim atmosfir regional REMO untuk wilayah Sulawesi (REMO-ERA)
pada resolusi 0.5 derajat dan REMO 1/6 pada resolusi 1/6 derajat dan dibandingkan dengan data
reanalisa keluaran Eropa yaitu ERA15 yang merupakan input untuk model tersebut dan data penakar
(rain gauge) pada resolusi 0.5 derajat. Hasil pada gambar tersebut menunjukkan bahwa fenomena
lokal di Maluku dan Sulawesi Tengah bagian Timur hilang pada keluaran ERA15 tetapi muncul pada
keluaran model REMO di kedua resolusi yang berbeda, dari Aldrian dkk (2004a).
57
Gambar 8. Beberapa prediksi peningkatan tinggi muka air laut hingga tahun 2100 dari hasil keluaran
beberapa model iklim dan scenario dari IPCC panel (2001)
Gambar 9. Trend perubahan intensitas hujan di Indonesia pada beberapa skenario model iklim (Hulme and
Sheard, 1999)
58
Gambar 10. Salah satu penerapan model iklim dalam mempelajari penyebaran asap kebakaran hutan
tahun 1997 dengan memakai skenario normal (kiri), tanpa lahan gambut (tengah) dan memakai
meteorologi tahun 1996 (kanan), dari Heil dkk (2004).
59
Gambar 11. Salah satu penerapan penggabungan model iklim laut (MPI-OM) dan atmosfir (REMO) dengan
memakai perangkat lunak penggabung (OASIS) dan data atmosfir yang sama (ERA/NCEP). Skema
ini telah dipakai untuk membuat model atmosfir laut yang dapat berinteraksi diantara keduanya pada
permukaan laut. Penggabungan hanya terjadi diwilayah Indonesia sedangkan diluar wilayah tersebut
hanya model iklim laut global yang bekerja, dari Aldrian (2004b).
60
Prosiding Semiloka Teknologi Semulasi dan Komputasi serta Aplikasi 2004
APLIKASI NEURAL NETWORKS

UNTUK PREDIKSI ALIRAN SUNGAI
(Studi Kasus DAS Cidanau, Indonesia dan DAS Terauchi, Jepang)
Budi I. Setiawan* and Rudiyanto**
Dept. of Agricultural Engineering, Bogor Agricultural University

Kampus IPB Darmaga 16680 Indonesia
Email: *)Budindra@ipb.ac.id, **)lupusae@yahoo.com
Abstract
Hydrological models are necessary in assessing water resources and valuable tool
for water resources management. This paper describes applications of artificial
neural networks (ANN) for Cidanau watershed in Indonesia and Terauchi
watershed in Japan. Back-propagation was used in the learning rule of ANN. A
series of daily rainfall, evapotranspiration and discharge data for 4 years (1996-
1999) from Cidanau watershed and data for 4 years (1986-1989) from Terauchi
watershed was used. The accuracy is evaluated by statistical performance index,
the shape of hydrographs and the flood peaks. The results show that ANN is
successful in predicting watershed discharge in Cidanau watershed and Terauchi
watershed. These hydrological models have been developed in form of application
program under Windows and applicable to use in other watershed.
Keywords: Artificial Neural Network, prediction, discharge
1. PENDAHULUHAN model. Selain itu ANN juga mempunyai sifat

nonlinier. ANN mampu mengidentifikasi struktur
Model DAS sangat penting untuk kajian model dan ANN juga efektif dan mampu
sumber daya air, pembangunan dan manajemen. menghubungkan input output simulasi dan model
Sebagai contoh digunakan untuk menganalisa peramalan tanpa membutuhkan struktur internal
kualitas dan kuantitas aliran air, operasi sistem DAS (1).
reservoir, perlindungan dan pembangunan Pada paper ini akan dibahas aplikasi model
groundwater dan watersurface, sistem distribusi air, ANN untuk mengevaluasi rainfall-runoff dan
penggunaan air dan aktivitas manajemen memprediksi aliran sungai pada 2 buah DAS, yaitu
sumberdaya air. Alokasi air juga membutuhkan DAS Terauchi, Jepang dan DAS Cidanau,
integrasi model DAS dengan model lain seperti Indonesia.
lingkungan fisik, populasi biologi dan kegiatan
ekonomi. Pada massa datang model akan 2. BACKPROPOGATION NEURAL NETWORKS
memerankan peranan penting dalam kehidupan.
Berbagai macam model DAS telah Model pembelajaran ANN yang digunakan
dikembangkan seiring dengan berkembangnya adalah backpropogation dengan struktur multilayer.
dunia digital (komputer). Baik itu model empiris Terdiri 3 layer yaitu input layer, hidden layer dan
(black box model), model konseptual (physical output layer. Input layer mempunyai n node.
process based), lumped model, model distribusi, Hidden layer mempunyai h node dan output layer
model single events dan model kontinyu mempunyai m node.
(continoust events). Dan semuanya dibangun Algorithma pembelajaran ANN Backpropo-
dengan persamaan matematika. gation dijelaskan sebagai berikut (2,3):
Pada tahun 1990an mulailah digunakannya
arificial neural networks (ANN) untuk model 2.1. Inisialisasi pembobot
hidrologi. Hal ini dikarenakan ANN mempunyai Pembobot awal pada ANN diberi nilai secara
kemampuan untuk belajar dari data dan tidak acak. Nilai acak ini biasanya berkisar -1 ~ 1 atau 0
membutuhkan waktu yang lama dalam pembuatan ~ 1.
61
2.2. Perhitungan nilai aktifasi Untuk mempercepat konvergen,

Perhitungan feedforward dimulai dengan ditambahkan inersia atau momentum, yaitu
menjumlahkan hasil perkalian input xi dengan dengan menambahkan pengkoreksi pembobot
pembobot vji. Dan menghasilkan Hj yang sebelumnya ke pengkoreksi pembobot sekarang.
merupakan nilai input ke fungsi aktivasi hidden Sehingga pengkoreksi pembobot antara output
layer. Kemudian output yj pada hidden layer unit j layer dan hidden layer dan antara hidden layer dan
merupakan hasil fungsi aktivasi f dengan masukan input layer berturut-turut ditulis seperti berikut ini:
Hj. Hal ini telah diformulasikan dalam persamaan 1 ∂E
dan 2. ∆wkj (t + 1) = −η + α∆wkj (t ) (10)
∂wkj
H j = ∑ v ji xi (1)
∂E
∆v ji (t + 1) = −η + α∆v ji (t )
i
y j = f (H j )
(11)
(2) ∂v ji
Nilai output pada hidden layer kemudian dikalikan dimana α adalah momentum (konstanta 0<α<1).
dengan pembobot wkj dan menghasilkan nilai Ik Proses perhitungan pembobot antara output
yang merupakan nilai input fungsi aktivasi output layer dan hidden layer dilakukan dengan
layer. persamaan berikut:
Nilai output zk pada output layer dihitung wkjnew = wkjold + ∆wkj (t + 1) (12)
dengan menggunakan fungsi aktivasi f dengan
masukan Ik. Hal ini telah diformulasikan dalam dan pembobot antara hidden layer dan input layer
persamaan 3 dan 4. dilakukan dengan persamaan berikut:
I k = ∑ wkj y j (3) v new
ji ji + ∆v ji (t + 1)
= v old (13)
j
z k = f (I k ) (4) 2.4. Pengulangan

dengan fungsi aktivasi berupa fungsi sigmoid Keseluruhan proses ini dilakukan pada
setiap contoh dan setiap iterasi. Proses pemberian
sebagai mana berikut ini:
contoh atau pasangan input-output, perhitungan
1
f (x ) = (5) nilai aktifasi dan pembelajaran dengan
1 + e − βx mengkoreksi pembobot dilakukan terus menerus
dimana β adalah gain atau slope fungsi sigmoid sampai didapatkan nilai pembobot dengan nilai
(konstanta). total error system mencapai minimum global.
2.3. Pelatihan (pengkoreksian) nilai pembobot 3. BAHAN DAN METODE

Pelatihan nilai pembobot pada ANN ini
dilakukan dengan mengurangi/menurunkan total Model ANN digunakan untuk menganalisis
error system untuk semua data melalui koreksi hubungan rainfall dan runoff pada 2 buah DAS,
(adjusment) pembobot dengan Gradient Descent yaitu DAS Terauchi di Jepang dan DAS Cidanau di
Method. Koreksi pembobot dapat ditulis sebagai Indonesia. DAS Terauchi berada di Fukuoka
persamaan berikut: Jepang mencakup luasan sekitar 5055 ha. Data
∆W (s + 1) = −η∂E p / ∂W (s ) (6)
harian curah hujan, evapotranspirasi dan debit
aliran sungai tercatat dengan baik selama 4 tahun,
dimana η adalah laju pembelajaran (konstanta mulai 1986 sampai 1990 (4). Data tahun 1986-1987
yang nilainya 0< η <1). digunakan untuk pembelajaran dan data tahun
Secara ringkas pengkoreksi pembobot 1988-1989 untuk verifikasi. Data DAS Cidanau
antara output layer dan hidden layer adalah tahun 1996 sampai 2000 (5). Data tahun 1996-1997
sebagai berikut: untuk pembelajaran dan data tahun 1998-1999
∂E
= ∆wkj = η (t k − t z ) f ' (I k ) y j
untuk verifikasi.
−η (7)
Struktur ANN yang digunakan adalah
∂wkj
multilayer time-delay. Tiga struktur ANN multilayer
dan pengkoreksi pembobot antara hidden layer digunakan untuk ujicoba (jumlah node
dan input layer adalah sebagai berikut: mengindekasikan untuk masing-masing model
∂E
= ∆v kj = ηxi f ' (H j )∑ δ k wkj
dalam masing-masing layer). Berikut adalah ketiga
−η (8) model tersebut:
∂v ji k
a) Model 1 (3 – 5 – 1) : 3 node input yaitu
dimana rainfall, evapotranspirasi, runoff t-1; 5 node
δ k = (t k − t z ) f ' (I k ) (9) hidden layer dan 1 node output layer yaitu
runoff t.
62
b) Model 2 (4 – 5 – 1) : 4 node input yaitu Pada tabel 1 disajikan hasil kinerja masing-
rainfall, evapotranspirasi, runoff t-1, runoff masing model yang berupa korelasi (R) dan Root
t-2; 5 node hidden layer dan 1 node output Means Square Error (RMSE) untuk DAS Terauchi
layer yaitu runoff t. dan DAS Cidanau. Korelasi dan RMSE hubungan
c) Model 3 (5 – 5 – 1) : 5 node input yaitu runoff (discharge) hitung dengan observasi baik itu
rainfall, evapotranspirasi, runoff t-1, runoff hasil training DAS Terauchi maupun DAS Cidanau
t-2, runoff t-3; 5 node hidden layer dan 1 menunjukan bahwa model 1 memberikan hasil
node output layer yaitu runoff t. yang terbaik.
Sedangkan untuk verifikasi DAS terauchi,
Rainfall (t) model 3 menujukan hasil yang terbaik baik itu
dilihat dari korelasi maupun RMSE. Sedangkan
Evapotranspiration (t)
verifikasi DAS Cidanau, model 1 menujukan hasil
yang terbaik. Penurunan korelasi antara hasil
Runoff (t-n)
training dan verifikasi DAS terauchi tidak
Runoff (t-n+1) Runoff (t)
mengalami perubahan sebesar yang terjadi pada
DAS Cidanau. Hal ini diduga data DAS Cidanau
Output layer terdapat kesalahan data yang lebih besar dari
pada Das Terauchi. Atau mungkin juga terjadi
Runoff (t-2)
perubahan penggunaan lahan pada DAS Cidanau.
Hidden layer Sehingga hasil verifikasi DAS Cidanau tidak sebaik
Runoff (t-1)
saat training. Padahal dalam penyusunan model
Input layer ini pengunaan lahan dianggap tetap atau tidak
Gambar 1. Arsitektur model ANN untuk prediksi terjadi perubahan penggunaan lahan.
runoff DAS Terauchi 1986-1987 hasil training
Model 1 disajikan pada Gambar 2 dan hasil
Laju pembelajaran, konsatanta momentum verifikasi DAS Terauchi 1988-1989 model 1 pada
dan gain fungsi sigmoid diberi nilai sama yaitu 0.9. Gambar 3. Terlihat pada hidrograf DAS Terauchi
Pemberhentian proses pembelajaran didasarkan 1986-1987 untuk puncak maksimum belum bisa
pada jumlah iterasi. Pada penelitian ini terjangkau sedangkan untuk puncak rendah sudah
pembelajaran berhenti jika iterasi mencapai 5000. dengan baik tergambarkan oleh model 1.
Software ANN yang digunakan adalah Backpro2N Sedangkan saat verifikasi baik itu puncak
yang ditulis dalam bahasa pemrograman computer maksimum maupun minimum sudah dapat
Borland Delphi 5. tergambarkan dengan baik oleh model 1. DAS
Kinerja model ANN dilihat dari indikator Cidanau 1996-1997 hasil training Model 1
keeratan linier runoff observasi dan perhitungan disajikan pada Gambar 4 dan hasil verifikasi DAS
yang berupa R (Coefficient of Correlation) dan Cidanau 1998-1999 model 1 pada Gambar 5.
indikator error yang berupa RMSE (Root Square Terlihat pada hidrograf DAS Cidanau 1996-1997
Mean Error). Evaluasi model juga dapat dilihat untuk puncak maksimum bisa terjangkau begitu
secara kualitatif deviasi time of peak dan pula untuk puncak rendah sudah dengan baik
perbandingan kurva yang memberikan tergambarkan oleh model 1. Sedangkan saat
keseluruhan gambaran keandalan model. verifikasi baik itu puncak minimum sudah dapat
tergambarkan dengan baik oleh model 1 dan
4. HASIL DAN PEMBAHASAN sebaliknya puncak tinggi belum bisa terjangkau.
Tabel 1. Kinerja R dan RMSE model

DAS Terauchi DAS Cidanau
Training Verifikasi Training Verifikasi
1986-1987 1988-1989 1996-1997 1998-199
R RMSE R RMSE R RMSE R RMSE
Model 1 0.902 3.987 0.881 2.467 0.962 0.959 0.783 2.381
Model 2 0.839 5.015 0.862 2.059 0.952 1.076 0.767 2.522
Model 3 0.897 4.075 0.891 2.032 0.932 1.277 0.701 2.673
63
150 0
125 50
Discharge (mm/d)
100 100
Rainfall (mm/d)
75 150
50 200
25 250
0 300
0 60 120 180 240 300 360 420 480 540 600 660 720
day
Rainfall Q calculate Q observed
Gambar 2. Hidrograf DAS Terauchi 1986-1987 hasil training model 1
100 0
50
75
Discharge (mm/d)
100
Rainfall (mm/d)
50 150
200
25
250
0 300
0 60 120 180 240 300 360 420 480 540 600 660 720
day
Rainfall Q calculated Q observed
Gambar 3. Hidrograf DAS Terauchi 1988-1989 hasil verifikasi model 1
64
75 0
50
Discharge (mm/d)
Rainfall (mm/d)
50
100
150
25
200
0 250
0 60 120 180 240 300 360 420 480 540 600 660 720
day

Gambar 4. Hidrograf DAS Cidanau 1996-1997 hasil training model 1
75 0
50
Discharge (mm/d)
Rainfall (mm/d)
50
100
150
25
200
0 250
0 60 120 180 240 300 360 420 480 540 600 660 720
day

Gambar 5. Hidrograf DAS Cidanau 1998-1999 hasil verifikasi model 1
65
5. KESIMPULAN RIWAYAT PENULIS
Ketiga Model ANN yang dibuat telah Prof. Dr. Ir. Budi I. Setiawan,
mampu dengan baik menduga runoff DAS MAgr lahir di Tasikmalaya, 28
Terauchi dan DAS Cidanau. Dari ketiga model Juni 1960. Menamatkan S1
yang dikembangkan model 1 (3 – 5 – 1) tahun 1983 di Institut Pertanian
memberikan hasil yang terbaik baik itu untuk DAS Bogor (IPB) dalam bidang
Terauchi maupun DAS Cidanau. Teknik Pertanian, Menamatkan
S2 tahun 1990 dan S3 tahun
DAFTAR PUSTAKA 1993 di The University of Tokyo,
Jepang dalam bidang Teknik Pertanian. Saat ini
1. V. P. Sing, and D. A. Woolhiser, Mathematical penulis bekerja sebagai staf pengajar pada
and Modeling of Watershed Hydrology. Departemen Teknik Pertanian FATETA IPB.
Journal of Hydrologic Engineering. Vol. 7, no. Penulis juga menjadi anggota pada organisasi
4. July 21, pp 270~292, 2002. profesi ilmiah:
2. L. Fu, Neural Networks In Computer a. JSIDRE (Japan Society of Irrigation,
Intelligence, McGraw-Hill, Inc, Singapore, Drainage and Reclamation Engineering)
1994. b. ISPWEE (International Society of Paddy
3. D. W. Patterson, Artificial Neural Networks and Water Environmental Engineering)
Theory and Application, Printice Hall, New c. ICIS (Indonesian Society on Computer and
York, 1996. Informations Sciences)
4. T. Fukuda, and Y. Nakano, Collections Of d. PERTETA (Perhimpunan Teknik Pertanian
Hydrologic Data For Terauchi Watershed. Indonesia)
Laboratory Of Irrigation And Water Utilization, e. HATHI (Himpunan Ahli Teknik Hidraulik
Kyushu University, Japan. (Unpublished), Indonesia)
2001.
5. A. Heryansyah, M. Y. J. Purwanto and A. Rudiyanto, STP lahir di
Goto, Runoff Modelling in Cidanau Watershed, Jombang, 28 Agustus 1980.
Banten Province, Indonesia, Proceedings of Menamatkan S1 tahun 2002 di
the 2nd Seminar Toward Harmonization Institut Pertanian Bogor (IPB)
Between Development and Environmental dalam bidang Teknik Pertanian.
Conservation in Biological Production, JSPS- Saat ini penulis menjadi
DGHE Core University Program in Applied mahasiswa Sekolah Pasca-
Biosciences, The University of Tokyo, Japan, sarjana pada Program Studi
pp 13~18, 2003. Ilmu Keteknikan Pertanian, IPB. Penulis juga
menjadi anggota pada organisasi profesi ilmiah
PERTETA (Perhimpunan Teknik Pertanian
Indonesia).
66
EVALUASI PENGGUNAAN PROGRAM MICROSOFT

EXCEL© DALAM MENYUSUN FORMULASI RANSUM
PAKAN TERNAK MENGGUNAKAN METODE PROGRAM
LINIER
Hendra Herdian
UPT. BPPTK LIPI Yogyakarta, Desa Gading Kec. Playen Kab.Gunungkidul Yogyakarta, e-mail :
Hendravit@yahoo.com
Abstract
Linier programming is the method commonly used in optimizing feed formulation.
The use of computer is required to perform the calculations. This paper discuss
the use of Microsoft Excel program commonly known as spreadsheet program, to
solve the feed formulation problem using linier programming. The Results
showed that this program able to produce similar result obtained from the
references models provided with special linier programming utility software.
Keywords : Linier Programming, Feed formulation
1. PENDAHULUAN Linier, sehingga diperlukan usaha yang lebih untuk

mempelajarinya.
Program Linier sudah cukup lama dikenal Microsoft Excel yang merupakan produk dari
mampu membantu memecahkan permasalahan Microsoft Corp, selama ini dikenal sebagai
formulasi pakan ternak yang cukup kompleks. program lembar kerja (Spreadsheet) yang sudah
Secara sederhana penggunaan Program Linier di cukup banyak penggunanya, melalui program
dalam penyusunan ransum pakan ternak tambahan yang terintegrasi (add in) yang
khususnya pakan ternak sapi didefinisikan sebagai dimilikinya ternyata program ini memiliki
memaksimalkan atau meminimalkan sejumlah kemampuan untuk memecahkan persoalan
fungsi terhadap kendala-kendala ((1) Bath, et. al, perhitungan Program Linier. Microsoft Excel
1985). Lebih jauh (2)Lovell, T, 1998 mengatakan memiliki salah satu fasilitas tambahan (add-in)
bahwa untuk memformulasikan pakan yang dapat menghitung persamaan simultan yang
menggunakan konsep Least Cost Ratio melibatkan sejumlah variabel untuk
memerlukan sejumlah data seperti : Biaya bahan memaksimalkan atau meminimalkan hasil melalui
pakan yang digunakan dalam ransum, kandungan kombinasi variabel tersebut, fasilitas tersebut
nutrisi bahan tersebut, tabel kebutuhan nutrisi, dikenal sebagai fasilitas Solver ((4)Arifin, J.,
ketersediaan nutrient dari bahan pakan, batasan- 2000,(5)Pramono, D., 2000). Adanya kemampuan
batasan nutrisi dan non nutrisi.Penggunaan ini memungkinkan Microsoft Excel melakukan
metode Program Linier ini pada implikasinya perhitungan Program Linier untuk penyusunan
memerlukan bantuan penggunaan komputer ransum pakan ternak.
((3)Cullison, A.E., 1975), karena pemecahan secara Penelitian ini bertujuan untuk mengevaluasi
manual menggunakan metode simpleks kemampuan program Microsoft Excel untuk
memerlukan waktu yang cukup lama dan rumit memformulasikan pakan ternak menggunakan
((1)Bath, et.al, 1985). metode Program Linier.
Bantuan komputer yang dimaksud Evaluasi dilakukan dengan mencoba
diantaranya adalah penggunaan perangkat lunak penggunaan program Microsoft Excel dalam
(Program) komputer yang mampu memecahkan memecahkan permasalahan formulasi pakan
perhitungan Program Linier khususnya untuk ternak menggunakan Program Linier konsep Biaya
formulasi ransum pakan ternak. Program yang Produksi Terendah (Least Cost Ratio) dan Konsep
dimaksud saat ini sudah cukup banyak dibuat. Maksimum Keuntungan (Maximum Profit).
Kendala yang ada adalah bahwa program khusus Melalui penelitian ini diharapkan diperoleh
untuk Program Linier ini selain sulit diperoleh juga pengembangan wawasan tentang aplikasi program
relatif lebih sulit dalam menggunakannya terutama komputer untuk penyusunan/formulasi ransum
dalam aturan-aturan penulisan model Program ternak menggunakan Program Linier.
67
2. METODE PENELITIAN 0.100 Tp. Daging tulang + 0.99 minyak

Pada penelitian ini diambil dua referensi sawit ≥ 2.5
model program linier penyusunan ransum pakan 4. 0.038 jagung + 0.017 dedak padi + 0.048
ternak, yang dicoba dipecahkan menggunakan Dedak gandum + 0.018 Bungkil kelapa +
program Microsoft Excel. Kedua model tersebut 0.005 Bungkil kedelai + 0.020 Tp ikan +
masing-masing diadaptasi dari model Program 0.100 Tp. Daging tulang + 0.99 minyak
Linier untuk formulasi pakan ternak unggas melalui sawit ≤ 7.0
konsep least cost ratio (non fuzy) hasil penelitian 5. 0.25 jagung + 0.120 dedak padi + 0.108
(6)
Adrizal dan Marimin, 2003 yang menggunakan Dedak gandum + 0.150 Bungkil kelapa +
QSB+ sebagai software pembantunya dan 0.070 Bungkil kedelai + 0.010 Tp ikan +
formulasi pakan ternak sapi perah melalui konsep 0.020 Tp. Daging tulang ≤ 5
maximum profit dari (7)Church, DC, 1990 (software 6. 0.0001 jagung + 0.0006 dedak padi +
pembantu tidak disebutkan). Hasil perhitungan 0.0010 Dedak gandum + 0.0020 Bungkil
menggunakan Microsoft Excel (dalam hal ini kelapa + 0.0025 Bungkil kedelai + 0.0650
penulis menggunakan program Microsoft Excel Tp ikan + 0.1070 Tp. Daging tulang +
versi 2003) kemudian dibandingkan dengan hasil 0.2600 dicalsium phosphat ≥ 0.90
yang diperoleh dari kedua model referensi di atas.. 7. 0.0001 jagung + 0.0006 dedak padi +
0.0010 Dedak gandum + 0.0020 Bungkil
2.1. Model Formulasi Pakan Ternak Unggas kelapa + 0.0025 Bungkil kedelai + 0.0650
Konsep Least Cost Ratio (Adrizal dan Tp ikan + 0.1070 Tp. Daging tulang +
Marimin, 2003) 0.2600 dicalsium phosphat ≤ 1.20
8. 0.0013 jagung + 0.0090 dedak padi +
Model ini menunjukkan per-hitungan 0.0065 Dedak gandum + 0.0020 Bungkil
Program Linier dalam menghitung biaya produksi kelapa + 0.0025 Bungkil kedelai + 0.0350
yang terkecil. Perhitungan dilakukan untuk Tp ikan + 0.0550 Tp. Daging tulang +
memperoleh kombinasi variabel bahan pakan 0.1300 dicalsium phosphat ≥ 0.48
terhadap fungsi minimisasi harga total ransum 9. 0.0020 jagung + 0.0050 dedak padi +
dengan pemenuhan terhadap faktor-faktor 0.0060 Dedak gandum + 0.0064 Bungkil
pembatas (kendala). Pada Lampiran Tabel 1 kelapa + 0.0290 Bungkil kedelai + 0.0530
diterangkan kandungan gizi, harga bahan pakan Tp ikan + 0.0310 Tp. Daging tulang ≥ 1.25
serta kendala-kendala yang menyertainya, setelah 10. 0.0020 jagung + 0.0050 dedak padi +
itu dibuat pemodelan untuk fungsi meminimumkan 0.0060 Dedak gandum + 0.0064 Bungkil
biaya untuk memproduksi pakan ini. kelapa + 0.0290 Bungkil kedelai + 0.0530
Tp ikan + 0.0310 Tp. Daging tulang ≥ 0.42
PEMODELAN LEAST COST RATIO 11. 0.0010 jagung + 0.0020 dedak padi +
0.0030 Dedak gandum + 0.0020 Bungkil
Minimumkan biaya ransum : kelapa + 0.006 Bungkil kedelai + 0.0060
Tp ikan + 0.0027 Tp. Daging tulang ≥ 0.20
1550 jagung +1000 dedak padi + 1250 Dedak 12. 33.29 jagung + 19.00 dedak padi + 15.80
gandum + 1000 Bungkil kelapa + 3500 Bungkil Dedak gandum + 15.40 Bungkil kelapa +
kedelai +5500 Tp ikan + 3500 Tp. Daging tulang + 24.91 Bungkil kedelai + 27.20 Tp ikan +
4500 minyak sawit + 6000 dicalsium phosphat + 17.60 Tp. Daging tulang + 72.00 minyak
15000 topmix sawit ≥ 3000
13. 33.29 jagung + 19.00 dedak padi + 15.80
Dengan kendala : Dedak gandum + 15.40 Bungkil kelapa +
24.91 Bungkil kedelai + 27.20 Tp ikan +
1. 0.086 jagung + 0.130 dedak padi + 0.158 17.60 Tp. Daging tulang + 72.00 minyak
Dedak gandum + 0.210 Bungkil kelapa + sawit ≤ 3050
0.440 Bungkil kedelai + 0.600 Tp ikan + 14. Jagung ≥ 20
0.46 Tp. Daging tulang ≥ 22 15. Jagung ≤ 60
2. 0.086 jagung + 0.130 dedak padi + 0.158 16. Dedak Padi ≤ 15
Dedak gandum + 0.210 Bungkil kelapa + 17. Dedak Padi ≤ 8
0.440 Bungkil kedelai + 0.600 Tp ikan + 18. Bungkil kedelai ≥ 10
0.46 Tp. Daging tulang ≤ 23 19. Bungkil kedelai ≤ 10
3. 0.038 jagung + 0.017 dedak padi + 0.048 20. Tp. Ikan ≤ 8
Dedak gandum + 0.018 Bungkil kelapa + 21. Tp. Daging Tulang ≤ 7.5
0.005 Bungkil kedelai + 0.020 Tp ikan + 22. Minyak sawit ≤ 2
23. Top mix ≤ 0.5
68
24. Jagung + dedak padi + Dedak gandum + 9. P3 < 4.50 (selang produksi 3)
Bungkil kelapa + Bungkil kedelai + Tp ikan 10. P4 < 4.50 (selang produksi 4)
+ Tp. Daging tulang + minyak sawit + 11. P5 < 4.50 (selang produksi 5)
dicalcium phosphat = 100 12. P6 < 2.25 (selang produksi 6)
13. P7 < 2.25 (selang produksi 7)
2.2. Model Formulasi Pakan Ternak Sapi Perah 14. P8 < 2.25 (selang produksi 8)
Konsep Maximum Profit (Church, D.C., 15. P9 < 10.00 (selang produksi 9)
1990) 16. X9 > 0.05 (batas bawah garam)
17. X9 < 0.10 (batas atas garam)
Pada model ini perhitungan formulasi
dilakukan dengan mengkaitkan kemampuan 2.3. PEMODELAN MENURUT MICROSOFT
produksi ternak dengan kandungan nutrisi ransum EXCEL
yang dikonsumsi, sehingga pada model ini selain
data tentang kandungan nutrisi masing-masing Di dalam program Microsoft Excel
bahan pakan, juga diperlukan data produksi ternak permodelan linier programing untuk model di atas
itu sendiri (dalam contoh ini adalah data produksi dilakukan dengan cara :
susu sebagai fungsi dari energi laktasi netto), a. Mengasumsikan semua fungsi bersifat linier
seperti terlihat pada Lampiran Tabel 2, dan Tabel b. Mengasumsikan semua aktifitas bernilai positif
3.. Produksi ternak dinilai sebagai income, dan c. Fungsi objektif memaksimumkan atau
harga bahan pakan sebagai pengeluaran, dan meminimumkan subjek sebagai Target Cell
fungsi objektifnya adalah memaksimum-kan d. Kumpulan Variabel sebagai Changing Cell
keuntungan. e. Kumpulan fungsi Kendala sebagai Subject to
the Constraints
PEMODELAN MAKSIMUM PROFIT
3. HASIL PENELITIAN DAN PEMBAHASAN
Maksimumkan Keuntungan : Hasi dari penelitian ini disajikan pada Tabel
5, dan Tabel 6. Pada Tabel 5 terlihat bahwa
0.25 SUSU – 0.1056 X1 – 0.0865 X2 – 0.292 X3 – perhitungan yang dilakukan oleh Microsoft Excel
0.072 X4 – 0.2348 X5 – 0.1419 X6 – 0.1348 X7 – secara keseluruhan sama dengan hasil penelitian
0.1254 X8 – 0.066 X9 yang dilakukan oleh Adrizal, dan Marimin, 2003 hal
ini menunjukkan bahwa dalam model linier konsep
Dengan Kendala : least cost ratio ini program Microsoft Excel mampu
melakukannya.
1. X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8 Dari tabel 6 terlihat bahwa terdapat perbedaan
+ X9 < 22.2 (asupan bahan kering) pada perhitungan kandungan biji kapas dalam
2. 1.89 X1 + 2.42 X2 + 2.07 X5 + 2.66 X6 + konsentrat dan perbandingan Hijauan dan
1.21 X7 + 1.70 X8 + X7 – 0.33 P1- 0.51 konsentrat, hal ini terjadi karena Microsoft Excel
P2 - 0.77 P3 - 1.1 P4 – 1.21 P5 – 1.34 P6 - tidak mempunyai fasilitas yang otomatis untuk
1.7 P7 - 2.38 P8 – 3.22 P9 > 12.36 menghitung permasalahan ini, tetapi secara
(energi) keseluruhan hasil perhitungan yang substansi
3. 0.107 X1 + 0.1 X2 + 0 X3 + 0 X4 + 0.515 tidak terdapat perbedaan antara model perhitugan
X5 + 0.249 X6 + 0.16 X7 + 0.08 X8 + 0 dari Church, D.C. 1990 dengan perhitungan yang
X9 – 0.074 SUSU > 0.881 (Protein) dilakukan oleh program Microsoft Excel, karena
4. 0.0005 X1 + 0.0002 X2 + 0.237 X3 + program ini sudah mampu mengatasi fungsi-fungsi
0.3607 X4 + 0.0036 X5 + 0.0015 X6 + kendala yang dikehendaki.
0.0135 X7 + 0.0027 X8 + 0 X9 – 0.0026
SUSU > 0.0264 (Ca) 4. KESIMPULAN DAN SARAN
5. 0.0036 X1 + 0.0031 X2 + 0.1884 X3 +
0.002 X4 + 0.0075 X5 + 0.0073 X6 + 4.1. Kesimpulan
0.0022 X7 + 0.002 X8 + 0 X9 – 0.0019 Program Microsoft Excel melalui program
SUSU > 0.024 (P) tambahan terintegrasinya yaitu solver secara
6. SUSU – P1 – P2 – P3 – P4 – P5 – P6 – umum dapat dipergunakan sebagai alat bantu
P7 – P8 – P9 = 0 untuk memecahkan persoalan penyusunan
7. P1 < 9.00 (selang produksi 1) ransum pakan menggunakan metode linier
8. P2 < 9.00 (selang produksi 2) programing
69
4.2. Saran 5. Djoko Pramono, Belajar Sendiri Microsoft Excel

Perlu penelitian lebih lanjut untuk meneliti 2000, PT. Elex Media Komputindo, 2000,
kemampuan lainnya dari program ini, khususnya Jakarta, hal. 359-366.
dalam proses penyusunan ransum pakan ternak..
6. Adrijal, Marimin, Pendekatan Fuzzy untuk
Terima Kasih Optimasi Formulasi Ransum Ternak Unggas,
Saya ucapkan terima kasih kepada : UPT. Makalah Seminar Nasional Perteta, Kelompok
BPPTK LIPI Yogyakarta atas bantuan penyediaan Sistem, Makalah ke-1, 2003,Subang, hal. 5-8.
fasilitas hardware dan software komputernya.
DAFTAR PUSTAKA 7. Church, D.C., Livestock Feeds and Feeding. 3rd

Ed, Prentice-Hall International, 1990, USA,
1. Bath, D.L. et.al, Dairy Cattle : Principles, p.233-235.
Practices, Prolems, Profits 3Rd Ed, Lea &
Febiger, , 1981, Philadelphia, p. 205-217.
RIWAYAT PENULIS
2. Lovell, T., Nutrition and Feeding of Fish, Kluwer
Hendra Herdian, SPt. lahir di Kota
Academic Publishers, 1998, Massachusetts, p.
Bandung pada tanggal 21
142-144.
Desember, 1968, Menamatkan
pendidikan strata satu (S1) di
3. Cullison, A.E., Feeds And Feeding Animal
Fakultas Peternakan Universitas
Nutrition, Prentice Hall, 1975,New Delhi,
Padjadjaran Bandung. Saat ini
p.330-333.
bekerja sebagai staf peneliti di
bidang pakan ternak UPT BPPTK LIPI di
4. Johar Arifin, Manajemen Proyek Terapan, PT
Gunungkidul Yogyakarta.
Elex Media Komputindo, 2000, Jakarta, hal.
126-137.
70
LAMPIRAN
Tabel 1. Kandungan Gizi dan Harga Bahan Pakan
Bahan Kandungan Gizi dan Harga Bahan Pakan Harga

Pr Le (Rp/Kg)
ot ma KENDALA
ein k SK Ca P Lisin Met Tryp ME Min Max
Jagung 8. 332
6 3.8 2.5 0.01 0.13 0.2 0.2 0.1 9 1550 20 60
Dedak Padi 190
13 1.7 12 0.0 0.9 0.5 0.2 0.2 0 1000 - 15
Dedak 15 10. 158
Gandum .8 4.8 8 0.1 0.65 0.6 0.1 0.3 0 1250 - 8
Bkl Kelapa 154
21 1.8 15 0.2 0.2 0.64 0.29 0.2 0 1000 - -
Bkl Kedelai 249
44 0.5 7 0.25 0.25 2.9 0.6 0.6 1 3500 10 30
Tepung 272
Ikan 60 2 1 6.5 3.5 5.3 1.8 0.6 0 5500 - 8
Tp Daging 176
Tulang 46 10 2 10.7 5.5 3.1 0.58 0.27 0 3500 - 7.5
Minyak 720
Sawit 99 0 4500 - 2
Dicalcium
Phosphat 26 13 6000 - -
Topmix 15000 0.5 0.5
KENDALA
Minimum 300
22 2.5 - 0.9 0.42 1.25 0.42 0.20 0
Maksimum 305
23 7 5 1.2 - - - - 0
Tabel 2. Representasi Linier dari Produksi Susu terhadap Energi Netto untuk Laktasi (NEl)
Selang Produksi Produksi Susu, NE Laktasi. Harga

Pembagian Susu, kg kg Kg/Milk, susu/ Kg
Selang Mcal ($)
produksi
P1 0.00 – 9.00 9.00 0.33 0.25
P2 9.00 – 18.00 9.00 0.51
P3 18.00 – 22.50 4.50 0.77
P4 22.50 – 27.00 4.50 1.10
P5 27.00 – 31 50 4.50 1.21
P6 31.50 – 33.75 2.25 1.34
P7 33.75 – 36.00 2.25 1.70
P8 36.00 – 38.25 2.25 2.38
P9 38.25 – 48.25 10.00 3.22
71
Tabel 3. Kendala Yang menyertai Model
Kendala Asupan Bahan Energi Protein Kalsium Phospor Garam

Kering M cal Kg/hari Kg/hari Kg/day Kg/day
(kg)/hari
Minimum - 12.36 0.881 0.0264 0.0204 0.05
Maksimum 22.2 - - - - 0.1
Tabel 4. Komposisi Bahan Pakan dan Variabel
Bahan Kering
As fed
Variabel Bahan Pakan MEm
NE l NEg,
, PK Ca P
BK, $/t $/kg Mcal Mcal/
Mcal/ % % %
% on /kg kg
kg
X1 Barley 89.0 94 0.1056 1.89 2.12 1.45 10.7 0.05 0.36
X2 Jagung 89.0 77 0.0865 2.42 2.24 1.55 10 0.02 0.35
X3 Dicalcium 100.0 29 0.2920 - - - - 23.70 18.84
Phosphat 2
X4 Tepung 100.0 72 0.0720 - - - - 36.07 0.02
Kapur
X5 Bungkil 89.0 20 0.2348 2.07 2.09 1.43 51.5 0.36 0.75
Kedele 9
X6 Biji Kapas 93.0 13 0.1419 2.66 2.41 1.69 24.9 0.15 0.73
2
X7 Hay Alfalfa 89.0 12 0.1348 1.21 1.24 0.68 16.0 1.35 0.22
0
X8 Silase 27.9 35 0.1254 1.70 1.56 0.99 8.0 0.27 0.20
Jagung
X9 Garam 100 66 0.0660 - - - - - -
SUSU Jumlah total produksi susu Kebutuhan produksi
72
Tabel 5. Tabel Hasil Formulasi Ransum Ayam Broiler Periode Starter Menggunakan Konsep Least Cost
Ratio
Hasil Menurut Adrizal, dan Hasil Perhitungan

Bahan Pakan Marimin,2003 Microsoft Excel
Jagung 60.00 % 60 %
Dedak Padi 0.00 % 0%
Dedak Gandum 0.00 % 0%
Bkl Kelapa 4.80 % 4.804449 %
Bkl Kedelai 22.57 % 22.56586 %
Tepung Ikan 7.31 % 7.307705 %
Tp daging tulang 3.30 % 3.298837 %
Mnyak Sawit 1.52 % 1.523151 %
Dicalcium Phosphat 0.00 % 0%
Top Mix 0.50 % 0.5 %
Jumlah 100.00 100
Harga Rp 2429/kg Rp.2428.774/kg
Kandungan Gizi
Protein (%) 22 22
Lemak Kasar (%) 4.46 4.463266
Serat Kasa (%) 3.94 3.939331
Kalsium (%) 0.90 0.9
Phospor yang tersedia (%) 0.58 0.581229
Lysin (%) 1.29 1.294731
Methionin (%) 0.42 0.42
Tryptopan (%) 0.26 0.257757
ME (Kcal/kg) 3000 3000
Tabel 6. Tabel Hasil Formulasi Ransum Sapi Perah Menggunakan Konsep Maksimum Profit
Bahan Kering
Menurut Perhitungan
Variabel Bahan Pakan Church,D.C. 1990 Microsoft Excel
X1 Barley, kg 0.00 0
X2 Jagung, kg 10.085 10.08463
X3 Dicalcium Phosphat, kg 0.000 0
X4 Tepung Kapur, kg 0.316 0.316129
X5 Bungkil Kedelai, kg 0.000 0
X6 Biji Kapas, kg 11.749 11.74924
X7 Hay Alfalfa, kg 0.000 0
X8 Silase Jagung, kg 0.000 0
X9 Garam, kg 0.050 0.05
Keuntungan, $/ekor/hari 7.748 7.7487
Produksi Susu Optimum, kg/hari 41.257 41.25708
Jumlah Pakan, kg/ekor/hari 22.200 22.2
Energi, NEl, Mcal 55.658 55.65779
PK, Kg 3.934 3.934024
Ca, kg 0.134 0.133668
P, kg 0.121 0.121698
Biji kapas dalam konsentrat 52.925 0
Hijauan : Konsentrat 0 : 100 0
73
74
APLIKASI JARINGAN SARAF TIRUAN (ARTIFICIAL

NEURAL NETWORK / ANN) SEBAGAI ALTERNATIF
SISTEM PERINGATAN DINI BAGI FENOMENA
HARMFUL ALGAL BLOOMS (HABs) DI TELUK
JAKARTA
Rahmania A. Darmawan dan Hary Budiarto
P3 Teknologi Lingkungan BPPT
Gedung II BPPT Lt.21, Jl.M.H.Thamrin 8,Jakarta 10340
Telp.: 62-21-3169815
Fax.: 62-21-3169760/3926632
Email: rahmania@webmail.bppt.go.id
Abstract
Harmful Algal Blooms (HABs), a phenomenon of very high phytoplankton

abundance in marine waters, is already known could yields several negative
impacts, not only for human but also for the ecosystem surround. In 1970, this
phenomenon was only reported from temperate waters, but during 90’s, several
reports came also from sub tropic and tropical waters including Indonesia. The
death mass of fish in Jakarta Bay in the early May 2004, was reported by BPLHD
DKI as a result of Harmful Algal Blooms from some species of Diatom and
Dinoflagellate. Regarding those negative impacts of Harmful Algal Blooms, it is
necessary to develop an early warning system for this phenomenon. Speed and
precision are needed in an early warning system , therefore, ANN will be chosen
for the computation process. ANN has 3 (three) layers in running the computation
process. Input layers will contain some environmental parameters that trigger the
HABs and at the output layers will be the species quantities (in cells/ml) that cause
the HABs. In the hidden layers, which are consist of some node layers, will be filled
in with a weight factor. Extended back propagation will be used for the training
process and weight factor measurement. Regarding the minimal time series data of
phytoplankton and environmental parameters from Jakarta Bay, laboratory scale
will be used to identify the range value of key parameters for target species to
bloom. Considering their blooming frequency at Jakarta Bay, Skeletonema
costatum and Chaetoceros curvisetus will be chosen as target species.
Keywords: Harmful Algal Blooms, Artificial Neural Network, Jakarta Bay
1. PENDAHULUAN melimpahnya jumlah fitoplankton di suatu perairan

Fitoplankton, organisma penyebab Harmful di atas kondisi normal pertumbuhan fitoplankton di
Algal Blooms (HABs), adalah organisma satu sel perairan tersebut. Sedangkan Harmful Algal
mikroskopik yang hidup di perairan tawar maupun Blooms (HABs) adalah fenomena Algal Blooms
laut. Kebanyakan fitoplankton adalah tidak yang memiliki dampak negatif, baik terhadap
berbahaya selama pertumbuhannya normal dan manusia maupun ekosistem di sekitarnya.
tidak mengganggu ekosistem di sekitarnya karena Dalam jangka waktu sekitar 20 tahun,
pada dasarnya mereka adalah produsen energi kejadian HABs di dunia telah mengalami
(produsen primer) pada suatu rantai makanan peningkatan, tidak hanya dalam frekuensi kejadian
dalam ekosistem. Algal Blooms adalah fenomena tetapi juga secara geografis (1).
75
beberapa parameter di suatu badan air. Pada

perairan temperata, pemicu utama dari alam
adalah cahaya matahari dan temperatur,
sedangkan pada perairan tropis, karena kondisi
cahaya dan temperatur hampir merata sepanjang
tahun maka faktor campur tangan manusia lebih
berperan, contohnya adalah eutrofikasi
(pengayaan nutrien di suatu badan air). Penyebab
utama eutrofikasi adalah nutrien (Nitrat, Fosfat,
Silikat, dan lain-lain) yang dapat berasal dari
antara lain, limbah domestik (rumah tangga).
Sumber:
Gambar 1. Distribusi Global dari PSP pada tahun 1970 dan
Hallegraeff, APLIKASI ANN UNTUK MENDETEKSI HABs
1990 (Hallegraeff, 1993).
1993)
Berbagai upaya telah dilakukan untuk
Dapat dilihat pada Gambar 1 diatas, kejadian meminimisasi terjadinya fenomena HABs, baik
HABs yang pada tahun 1970-an hanya terjadi di untuk perairan tawar maupun laut. Sebagian besar
perairan temperate, telah dilaporkan pada tahun upaya dilakukan melalui program pemantauan,
1990-an terjadi di perairan tropis, antara lain baik dengan pengukuran langsung (sampel dari
Indonesia. perairan dianalisis dengan mikroskop) maupun
Dalam uraiannya, Hallegraeff (1993) pengukuran tidak langsung (teknologi sensor dan
menyebutkan 3 tipe HABs: penginderaan jauh). Namun, program pemantauan
1. Spesies yang tidak menyebabkan perubahan masih menemui berbagai kendala dalam
warna air tetapi dapat menyebabkan kematian meramalkan terjadinya HABs karena masih
ikan dan invertebrata karena deplesi oksigen membutuhkan waktu lebih lanjut untuk pengolahan
(contoh: Dinoflagelata : Gonyaulax sp. dan data, selain sangat kompleksnya suatu sistem
Noctiluca sp.) akuatik sehingga kejadian HABs tidak dapat
2. Spesies yang tidak toksik terhadap manusia diprediksi dari satu parameter saja maupun hanya
tapi toksik terhadap ikan dan invertebrata, dengan persamaan linear. Sehingga dapat
karena antara lain dapat mematahkan insang disimpulkan bahwa model dinamik nonlinear-lah
(contoh : Chaetoceros sp.)3. Spesies yang yang dapat menggambarkan pola dari suatu
memproduksi toksin, dapat memasuki rantai ekosistem akuatik (2).
makanan hingga ke tubuh manusia dan Seperti yang telah diujicobakan di
menyebabkan berbagai gangguan pada sistem Australia, ANN telah berhasil dijadikan suatu
pencernaan dan sistem saraf manusia: sistem peringatan dini bagi fenomena HABs di 4
a. Paralytic Shellfish Poisoning (PSP) : (empat) perairan tawar meliputi danau dan sungai
Alexandrium sp. yang tersebar di Australia, Jepang dan Finlandia.
b. Diarrhetic Shellfish Poisoning (DSP) : Pada bagian input data ANN di Danau Biwa,
Dinophysis sp. Jepang, parameter yang dimasukkan meliputi
c. Amnesic Shellfish Poisoning (ASP) : beberapa jenis nutrien, oksigen, kecerahan
Nitzschia sp. (kedalaman penetrasi cahaya), temperatur, pH,
c. Ciguatera Fishfood Poisoning (CFP) : kecepatan angin dan klorofil a. Sedangkan pada
Gambierdiscus sp. bagian output layer, terdapat beberapa jenis
d. Neurotoxic Shellfish Poisoning (NSP) : fitoplankton yang memiliki potensi blooming pada
Gymnodinium sp. perairan tersebut (Gb.1.2.)
Selain dampaknya terhadap biota dan manusia
seperti telah disebutkan di atas, HABs juga
memiliki dampak negatif terhadap pariwisata
(wisatawan tidak akan datang ke laut yang terkena
HABs) maupun perekonomian secara umum.
Hasil-hasil penelitian menyebutkan bahwa
HABs dapat diakibatkan oleh faktor alam (contoh:
upwelling) maupun akibat aktivitas manusia
(buangan domestik yang mengakibatkan tingginya Gb.2. Struktur ANN untuk Danau Biwa, Jepang.(
konsentrasi nutrien di suatu badan air). Namun, Recknagel,1997).
secara umum, pemicu kejadian HABs adalah
kombinasi atau gabungan dari perubahan Setelah melalui beberapa proses pembelajaran
diperoleh hasil yang cukup baik dalam
76
pemanfaatan ANN untuk prediksi HABs dari 1. OrthoPhosphat

Melosira granulata (Gb.1.3.) 2. Nitrogen
3. Silikat
4. Temperatur
5. Cahaya
6. Kecepatan arus
7. Kecepatan angin
8. Klorofil a
Sebagai informasi, kisaran nilai akan dibuat
mulai dari kondisi kebutuhan dasar
Chaetoceros dan Skeletonema untuk tumbuh
hingga kondisi dimana kedua species tersebut
blooming (dengan acuan jumlah atau
kelimpahan sel sekitar 1 juta sel/l atau lebih).
b. Mesokosm eksperimen, yaitu pembuatan kolam

di laut, dimana faktor-faktor alami lebih
berperan. Pada mesokosm eksperimen ini,
dapat dibuat suatu kantong besar dari plastik
polybag dengan volume sekitar 60-70 l. Jika
kondisi blooming sulit diperoleh, akan
ditambahkan beberapa nutrien (pada
Gb.3. Hasil validasi dari prediksi blooming Melosira
granulata di Danau Biwa, Jepang. (Recknagel, 1997). konsentrasi yang diperoleh dari hasil skala
laboratorium) untuk mengkondisikan eutrofikasi.
Lebih lanjut, aplikasi ANN sebagai sistem
peringatan dini bagi fenomena HABs di Sungai c. Pembelajaran dan Pengujian ANN
Darling, Australis juga telah dilakukan untuk Pembelajaran atau learning process
memprediksi blooming dari Anabaena spp.(3). merupakan sarana pelatihan untuk
Hasilnya sangat memuaskan, dimana ANN dapat mendapatkan nilai bobot yang sesuai pada
dimanfaatkan untuk memprediksi waktu kejadian 4 setiap node yang membentuk jaringan syaraf
minggu lebih awal. (ANN). Data akan dibagi menjadi 2 bagian
Kejadian HABs di perairan Teluk Jakarta yang pertama untuk digunakan sebagai proses
telah beberapa kali terjadi, baik yang rutin maupun pembelajaran yang disebut dengan data
yang insidentil. Kejadian HABs rutin biasanya training dan yang bagian kedua untuk proses
terjadi di awal musim penghujan dimana limbah pengujian yang disebut data testing. Untuk
oranik, baik yang berasal dari limbah domestik kasus diatas pola pembelajaran dan
maupun agrikultur masuk ke sungai-sungai diguyur pengujiannya dapat diuraikan sbb :
hujan sebagai run-off hingga dapat langsung • Memasukan sejumlah data berupa nilai
memperkaya nutrien di perairan estuari dan laut. angka pada node input dan output
• Menggunakan algoritma pembelajaran
2. TEORI DAN METODA EKSPERIMEN seperti back propagation untuk melakukan
Chaetoceros dan Skeletonema costatum update nilai bobot pada node di lapisan
dipilih sebagai species obyek karena keduanya hiddennya
telah seringkali blooming di perairan Teluk Jakarta. • Bila proses belajar sudah mencapai
Kejadian kematian masal ikan yang terjadi pada konvergen, nilai bobot tersebut akan
bulan Mei 2004 yang lalu juga dilaporkan disimpan dan untuk diujikan kembali untuk
disebabkan oleh antara lain Chaetoceros dan data yang sama
Skeletonema sp.(4). • Mencatat prosentase kesalahan pada node
Sehubungan dengan keterbatasan data time output, bila prosentase kesalahan cukup
series yang akan digunakan sebagai input bagi besar maka prose belajar akan diulang
model ANN untuk Teluk Jakarta, maka sebagai dengan memperbaiki algoritma atau
tahap awal akan dilakukan eksperimen dalam menambhakan node dilapisan hidden
skala laboratorium. Metoda yang akan dilakukan • Melakukan pengujian dengan menggunakan
dalam penelitian ini meliputi: data yang berlainan dengan proses
a. Kultur murni Chaetoceros dan Skeletonema sp. pembelajaran
dalam skala laboratorium. Kedua kultur Mencatat kesalahan terjadi bila prosetase
diujicoba tumbuh dalam berbagai kisaran nilai cukup besar akan dilakukan pengulangan
beberapa parameter, meliputi :
77
proses belajar dengan memperbaiki data lebih banyak kearah penelitian atau monitoring
training lingkungan sesaat. Buoy dapat dipindahkan
Pada proses pembelajaran dalam penelitian sewaktu-waktu diperairan yang akan diteliti sesuai
ini akan dimasukkan sebagian data angka-angka dengan permintaan user. Dan hasil pengamatan
parameter hasil pengujian, baik yang diperoleh dari akan langsung diketahui dalam hitungan detik
hasil skala laboratorium maupun dari hasil tanpa melalui proses di laboratorium seperti
mesokosm sebagai data pembelajaran. proses penghitungan plakton dengan
Sedangkan data lainnya akan dimasukkan menggunakan mikroskop.
sebagai data pengujian.
3. PROSPEK DAN PENGEMBANGAN
Sistem peringatan dini yang telah diuraikan diatas

mempunyai prospek yang cukup menjanjikan
untuk pembangunan Indonesia masa yang akan
datang dalam melakukan eksplorasi sumber daya
kelautan. Agar sistem dapat diimplementasikan
dan didayagunakan harus dikombinasikan dengan
perangkat lainnya. Berdasarkan cara
penggunaannya ada 2 jenis sistem yang dapat
diintegrasikan menjadi sistem peringatan dini yang
terpadu yaitu Sistem Telemetri dan Mobile.
Gambar 5. Sistem Telemetri untuk HABs
a. Sistem Telemetri
Pada sistem ini bagian input pada ANN 4. KESIMPULAN
dihubungkan dengan sensor-sensor sehingga data
parameter lingkungan dapat langsung diambil Pada makalah ini telah dijelaskan tentang
secara real time. adanya kebutuhan terhadap suatu sistem
Data-data akan diambil pada setiap interval waktu peringatan dini dalam mengatasi permasalahan
tertentu yang telah disetup pada mikroprosesor Algal Blooms di perairan Indonesia.
(CPU). Nilai-nilai bobot yang telah disimpan pada Sebagai alternatif, suatu sistem Jaringan
suatu memori ROM akan digunakan ANN prosesor Saraf Tiruan, seperti telah dijelaskan di atas, dapat
untuk melakukan proses pengenalan. Dengan dengan cepat membuat prediksi terhadap
menggunakan gelombang radio (UHF) hasil “bencana” lingkungan tersebut sehingga dampak
pengenalan akan dikirim oleh transmitter ke merugikan dari fenomena tersebut, baik terhadap
receiver dipelabuhan terdekat yang selanjutnya manusia maupun ekosistem di sekitarnya, dapat
oleh server diinformasikan kepada user melalui dihindari.
sistem jaringan komputer seperti internet. Bila
hasil pengenalan menunjukan pola yang baru DAFTAR PUSTAKA
server akan memerintahkan CPU untuk belajar
kembali untuk memperbaiki nilai bobotnya. 1. Hallegraeff, G.1993. A review of harmful algal
Sensor, CPU, ANN Prosesor dan transmitter akan blooms and their apparent global increase.
diiintegrasikan dalam suatu perangkat yang Phycologia 32 ,79-99.
dinamakan Buoy (pelampung) yang selanjutnya 2. Recknagel, F., M.French, P.Harkonen dan
ditempatkan sepanjang waktu di lautan. Sistem ini K.I.Yabunaka.1997. Artificial Neural Network
memang membutuhkan biaya yang cukup tinggi Approach for Modelling and Prediction of
dalam perawatannya, akan tetapi manfaat yang Algal Blooms. Ecological Modelling 96, 11-28.
tinggi tentunya akan seimbang dengan mengingat 3. Maier, H.R., G.C. Dandy dan M.D.Burch.1998.
tingginya kerugian secara ekonomis bila terjadi Use of Artificial Neural Networks for
HABs. Sebagai illustrasi untuk sistem telemetri ini Modelling Cyanobacteria Anabaena spp. In
ditunjukan dalam gambar 5. the River Murray, South Australia. Ecological
Modelling 105, 257-272.
b. Sistem Mobile 4. Adnan, Q.2004. Penyimpangan Iklim dan
Cara kerja perangkat sistem ini hampir sama Kematian Biota di Teluk Jakarta. Proceeding
dengan sistem telemetri, hanya saja hasil Workshop: Deteksi, Mitigasi dan Pencegahan
pengenalannya tidak ditransmit dengan gelombang Degradasi Lingkungan Pesisir dan Laut di
radio akan tetapi dikirim langsung ke komputer Indonesia: 77-83.
melalui USB atau RS 232. Manfaat sistem mobile
78
Hary Budiarto lahir di Surabaya pada 28 Juni

RIWAYAT PENULIS 1967. Menamatkan
pendidikan S1 di Institut
Rahmania A. Darmawan lahir di Teknologi Sepuluh Nopember
Bandung pada tanggal 28 (ITS) di Surabaya tahun 1990
Desember 1971. Menyelesaikan dalam bidang Matematika
pendidikan S-1 di Jurusan Biologi Terapan, menyelesaikan
Institut Teknologi Bandung (ITB) pendidikan S2 di fakultas Ilmu
pada tahun 1995. Sejak tahun 1997 Komputer Universitas
bekerja di Pusat Pengkajian dan Indonesia Jakarta tahun 1998
Penerapan Teknologi Lingkungan (P3TL) – BPPT. dan S3 di Tokyo Institute of
Penelitian di bidang Algal Blooms dimulai pada Technology pada Department
tahun 1997 dengan memanfaatkan teknologi of Electric and Electrical tahun 2004. Saat ini
telemetri pada program pemantauan lingkungan bekerja sebagai peneliti di bidang Teknologi
laut (SEAWATCH Indonesia). Pada tahun 2000- Informasi dan Komunikasi di Pusat Pengkajian dan
2002 menyelesaikan program S2 dari University of Penerapan Teknologi Lingkungan (P3TL) BPPT,
Bremen, Germany di bidang Aquatic Ecology Jakarta. Penulis juga menjadi anggota pada
dengan spesialisasi pada thesis tentang Dampak organisasi profesi ilmiah IEEE, COMSOC, COST
Eutrofikasi terhadap komunitas Fitoplankton di 273, IEICE Japan dan IECI.
Teluk Jakarta (Marine Ecology).
79
80
EVALUASI MUTU JERUK NIPIS (Citrus aurantifolia

Swingle) DENGAN PENGOLAHAN CITRA DIGITAL DAN
JARINGAN SYARAF TIRUAN>
Zainul Arham, Usman Ahmad, Suroso
Program Studi Ilmu Keteknikan Pertanian
Sekolah Pascasarjana Institut Pertanian Bogor
E-Mail: a2mhms@yahoo.com
ABSTRACT
The limonia aurantifolia can be classified as a special fruit for Indonesia’s social
culture, the circumstance can be witnessed on cultural and religious ceremonies,
together with excellent ingredients in traditional medicine and food. Quality of the
limonia aurantifolia determined by weight and maturity levels (age pluck after flower
bloom) The area, texture and color indexes were extracted from 200 object sample
images using the developed image processing software. The area attributed to
weight and texture and color indexes attributed to maturity levels. The features
extracted from the image were used as input for artificial neural network, that
modelled to use 5 and 9 inputs on 6, 9, 13 and 15 hidden layers. The training of
artificial neural network used value of 0.8 for momentum constant and learning
rate constant, 1.0 for sigmoid function in 3000 iteration. The results showed that
quality provided the highest accurateness of validation of 95.85%.
Keywords : image processing, artificial neural network, limonia aurantifolia and

quality
1. PENDAHULUAN Tujuan umum dari penelitian ini adalah

Pemanfaatan buah jeruk nipis sudah lama untuk menentukan mutu jeruk nipis secara non
dikenal oleh masyarakat Indonesia dan memiliki konven-sional dengan pengembangan algoritma
nilai ekonomi yang tinggi. Harga buah jeruk nipis pengolahan citra digital dan jaringan syaraf tiruan.
ditentu-kan oleh mutu yang didasarkan pada Sedangkan secara khusus, meliputi:
tingkat ketuaan dan kematangan serta berat. mengembangkan algoritma pengolahan citra
Selama ini dalam pemanenan dan penjualan digital untuk menganalisis parameter mutu jeruk
hasil panen, petani jeruk nipis masih belum nipis, membangun model jaringan syaraf tiruan
melaku-kan pemilahan mutu sehingga harga jual untuk menentukan mutu jeruk nipis berdasarkan
rendah. Sedangkan pedagang pengumpul dan analisis citra digital dan menguji perangkat lunak
industri maka-nan dan obat tradisional melakukan yang dibangun dalam mengelompokkan buah
penyortasian mutu menggunakan prosedur analisa jeruk nipis sesuai deng-an kelompok mutu yang
warna kulit secara visual mata manusia dan jumlah berlaku.
buah per kilogram dengan segala
keterbatasannya. 2. TEORI PENUNJANG
Berdasarkan hal tersebut maka diperlukan 2.1. Jeruk nipis
suatu metode yang dapat menjamin keseragaman Jeruk nipis dalam Famili Rutaceae, Genus
mutu jeruk nipis. Metode pengukuran non konven- Citrus dan species Citrus aurantifolia Swingle.
sional yaitu menggunakan pengolahan citra digital adapun spesies yang paling dekat adalah jeruk
(image processing) menghasilkan data yang akan pecal (Citrus mitis Blanco), jeruk kamquat (Citrus
diproses secara pembelajaran dengan jaringan japonica) dan jeruk purut (Citrus hystrix Aug. D.C.).
syaraf tiruan (artificial neural network) sehingga Jeruk nipis dikenal dengan nama lain, yaitu: jeruk
dapat digunakan untuk menentukan mutu buah. mipis, jeruk pecel, jeruk durga dan limau asam(100.
Jeruk nipis berasal dari daerah Indo-
>Paper ini pernah dimuat “Forum Pasca Sarjana”, Vol. 27 Malaya(16), pada tahun 1839, permulaan
No.1, Januari 2004
penanaman jeruk nipis secara komersial di Florida
Selatan. secara geografis(60 jeruk tumbuh pada
81
0
daerah 35 Lintang Utara sampai 40 Lintang
0 mengubah citra masukan berbentuk analog
Selatan dan ketinggian pada 1000 meter di atas menjadi citra digital, alat digitasi tersebut dapat
permukaan laut. Suhu optimum bagi pertumbuhan berupa penjelajahan silod-state yang
tanaman jeruk antara 25 0C - 30 0C. Secara umum menggunakan matriks sel yang sensitif terhadap
jeruk nipis termasuk tanaman tahunan (perennial) cahaya yang masuk. Alat masukan citra yang
yang masa reproduksinya terjadi berulang-ulang. umum digunakan adalah kamera CCD (Charge
Buah jeruk nipis berwarna hijau menandakan Coupled Device).
belum masak, dan akan berubah menjadi kuning Warna merupakan respon psycho-
kecoklat-coklatan, bentuknya bulat sampai bulat physiological dan intensitas yang berbeda.
Persepsi warna dalam pengolahan citra tergantung
telur berdiameter ± 3 - 6 cm. Ketebalan kulit
pada tiga faktor, yaitu: spectral reflectance
buahnya ± 0.2 - 0.5 mm dan permukaannya
(menentukan bagaimana suatu permukaan
memiliki banyak kelenjar. Buahnya kadang-kadang
memantulkan warna), spectral content (kandungan
memiliki papila atas yang berwarna kuning kehijau-
warna dari cahaya yang menyinari permukaan)
hijauan. Struktur buah jeruk(8) (Gambar 1) terdiri-
dan spectral response (kemampuan merespon
dari flavedo (lapisan kulit luar yang mempunyai
warna dari sensor dalam imaging system). Adapun
kantong minyak) dan albedo sebagai sumber
model warna yang dikembangkan dalam
pectin, daging buah berbalir dan bersegmen
pengolahan saat ini adalah: RGB (Red Green
(Segmen buahnya berdaging hijau kekuning-
Blue), CMY(K) (Cyan, Magenta, Yellow), YCbCr
kuningan dan mengandung banyak sari buah yang
(Luminasie dan dua komponen krominasi Cb dan
beraroma harum) serta biji buah (biji buah terdapat
Cr) dan HSI (Hue, Saturation, Intensity).
pada sebagian segmen buah yang berdaging).
Persepsi pandangan manusia pada setiap
Sari buahnya asam sekali yang berisikan asam
panjang gelombang tidak menggunakan sensor
sitrat berkadar 7 - 8% dari berat daging buah.
akan tetapi menggunakan 3 pusat stimulus warna
Ekstrak sari buahnya sekitar 41% dari bobot buah
RGB(15). Didasarkan pada pendekatan tersebut
yang sudah masak(9).
maka dalam penelitian ini menggunakan model
Kantong Minyak warna RGB. Tingkat RGB pola bit dikomposisikan
Balir Buah dari tiga warna tersebut dan masing-masing warna
Albedo mempunyai 28 atau 256 bit (0 - 255)(13).
Segmen Buah Model warna RGB yang dapat dinyatakan
dalam bentuk indeks warna RGB dengan cara
menormalisasi setiap komponen warna dengan
Biji Flavedo persamaan sebagai sebagai berikut:
R
r= (1)
Gambar 1. Bagian-bagian buah jeruk nipis. R+G+ B
G
2.2. Pengolahan Citra Digital g= (2)
Pengolahan citra digital merupakan proses R+G+ B
pengolahan dan analisis yang banyak melibatkan B
persepsi visual. Citra digital dapat diperoleh secara b= (3)
otomatik dari sistem penangkap citra membentuk
R+G+ B
suatu matriks yang elemen-elemennya Dengan tekstur akan didapat informasi citra
menyatakan nilai intensitas cahaya atau tingkat untuk memprediksi kondisi objek dari sifat
permukaannya. Pengukuran tekstur dilakukan
keabuan setiap piksel. Citra f(x,y) disimpan dalam
memori komputer (bingkai penyimpan citra/frame terdiri dari energi, kontras, homo-genitas dan
grabber) dalam bentuk array N x M dari contoh entropy (Haralic, 1973). Energi berfungsi untuk
mengukur konsentrasi pasangan gray level pada
diskrit dengan jarak yang sama sebagai berikut :
matriks co-occurance, kontras berfungsi untuk
 f (0,0) f (0,1) ............... f (0, m − 1)  mengukur perbedaan lokal dalam citra, homoge-
 f (1,0) f (1,1) ............... f (1, m − 1)  nitas berfungsi untuk mengukur kehomogenan

 . . .  variasi gray level lokal dalam citra dan entropi
F ( x, y ) =  . . . . berfungsi untuk mengukur keteracakan dari
 ............... 
 . . .  distribusi perbedaan lokal dalam citra.
 . . . 
 
 f (n,0) f (n,1) ............... f ( n, m − 1)
2.3. Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (JST) adalah model
Citra masukan diperoleh dari kamera yang sistem komputasi yang bekerja seperti sistem
telah dilengkapi dengan alat digitasi yang syaraf biologis pada saat berhubungan dengan
82
dunia luar (Fauset, 1994). Model JST yang Jika setiap noda pada lapisan hidden telah
digunakan dalam penelitian ini adalah arsitektur menerima nilai net input, langkah selanjutnya
feedforward (umpan maju). Sedangkan konsep adalah memasukkan nilai net input setiap noda
belajar yaitu algoritma belajar backpro-pagation ke dalam fungsi aktivasi (fungsi sigmoid),
momentum yang merupakan perkembang-an dari sebagaimana pada persamaan 6.
algoritma belajar backpropagation standar. 1
JST Backpropagation (BP) pertama kali f ( Z ij ) = −σ ( Z ij )
(6)
diperkenalkan oleh Rumelhart, Hinton dan William 1 + exp
pada tahun 1986, kemudian Rumelhart dan Mc dimana σ : konstanta fungsi sigmoid.
Clelland mengem-bangkannya pada tahun 1988,
JST BP dengan satu lapisan tersembunyi (hidden),
( )
Z j = f Z ij (7)
arah sinyal pada fase feedforward. Sedangkan 1
dasar pelatihan dari algoritma JST BP adalah Yk = (8)
1 + exp
−σ ( ∑ Z jW jk )
memodifikasi bobot interkoneksi Wnj pada jaringan
sehingga sinyal kesalahan mendekati nol (Bishop, 3. Perbaikan nilai pembobot (Weight)
1992). Nilai output dari setiap noda pada output layer
Jaringan syaraf tiruan tersusun atas hasil perhitungan pada jaringan dibandingkan
sekumpu-lan neuron (simpul) yang terinterkoneksi dengan nilai target yang diberikan dengan
dan terror-ganisasi dalam lapisan-lapisan. Setiap persamaan jumlah kuadrat galat, sebagaimana
simpul mem-proses sinyal dengan fungsi pada persamaan 9.
akivasinya yaitu fungsi sigmoid logistic(3), fungsi 1 in
tersebut pada persamaan sebagai berikut : E= ∑ (Tk − Yk )2 (9)
1 2 k
f (x ) =
(
1 − e −x ) (4) dimana : Tk adalah nilai target yang diberi-kan
dan Yk adalah output dari hasil perhi-tungan
Besarnya nilai β dan α yang harus pada jaringan. Algoritma ini memper-kecil galat
digunakan dalam proses belajar, sedangkan nilai β dengan cara perambatan balik. Pada setiap
dan α terse-but tergantung pada permasalahan lapisan dilakukan perubahan pembobot
yang dihadapi. dengan menggunakan perhitung-an
matematika yang disebut dengan meto-de
delta rule. Perubahan pembobot (W) dalam
hidden yang didapatkan sesuai deng-an
Xi persamaan :
Vi W Yk
∆W jk = αδ k Z j (10)
dimana ∆Wjk: perubahan nilai pembobot Wij ,
α: konstanta laju pembelajaran, δk: Galat
Zj output ke k, Zj: fungsi sigmoid. Perubahan
Z pembobot (W) dalam hidden yang didapat-kan
sesuai dengan persamaan :
Gambar 2. Model JST BP ∆Vij = αδ j X i (11)
Adapun algoritma pelatihan Sehingga nilai perbaikan pembobot dapat
backpropagation lebih rinci(2) (sesuai dengan dibuat persamaan sebagai berikut:
Gambar 2) adalah sebagai berikut:
W jk (br ) = W jk (lm) + ∆W jk (12)
1. Inisialisasi pembobot (Weight)
Pembobot awal dipilih secara acak (random), Vij (br ) = Vij (lm) + ∆Vij (13)
kemudian setiap sinyal input diberikan ke
Nilai laju pelatihan harus dipilih antara 0
dalam noda dalam input layer, lalu sistem akan
sampai dengan 0.9. Laju pelatihan menen-
mengirim sinyal ke noda dalam hidden layer .
tukan kecepatan pelatihan sam-pai sistem
2. Perhitungan nilai aktivasi
mencapai keadaan optimal. Prisip dasar
Setiap noda pada hidden layer, dihitung nilai
algoritma backpropagation adalah memper-
net inputnya dengan cara menjumlahkan
kecil galat hingga mencapai minimum global.
seluruh ha-sil perkalian antara noda input (Xi)
Minimum lokal adalah dimana galat sistem
dengan pem-bobotnya (Vij), sebagaimana
turun, akan tetapi bukan merupakan solusi
pada persamaan 5.
n
yang baik bagi jaringan tersebut. Pemilihan
Z ij = ∑ X iVij (5) nilai laju pelatihan sangat penting karena jika
i =1
nilainya besar akan membuat sistem jaringan
83
melompati nilai minimum lokalnya dan akan a. Jeruk nipis di atas kain hitam dan putih
berosilasi sehingga tidak menca-pai sebagai latar belakang dan terfokus oleh
konvergensi. Sebaliknya nilai laju pela-tihan kamera CCD dengan jarak 18.2 cm.
yang kecil menyebabkan sistem jaringan Sedangkan lampu pijar yang ditutupi dengan
terjebak dalam minimum lokal dan kertas karton diletakkan pada ketinggian 35.5
memerlukan waktu yang lama selama proses cm di atas buah jeruk nipis dengan sudut
pelatihan. Untuk menghindari keadaan pencahayaan 350 .
tersebut maka ditambahkan suatu nilai b. Citra jeruk nipis direkam dengan ukuran: 256 x
konstanta momentum antara 0 sampai dengan 192 piksel dan tingkat intensitas cahaya RGB:
0.9 pada sistem tersebut, dengan demikian 256
nilai laju pelatihan dapat ditingkatkan dan c. Citra jeruk nipis direkam dalam file bereks-
osilasi pada sistem dapat diminimumkan. tensi bmp dengan 145 KB.
Perubahan nilai pembobot setelah dilakukan d. Binerisasi citra jeruk nipis untuk memisahkan
penambahan konstanta momentum sesuai latar belakang dan objek, sebagaimana pada
dengan persamaan sebagai berikut: Gambar 3.
∆W jk (br ) = αδ k Z j + β∆W jk (lm) (14) e. Proses thresholding yang akan didapat hasil
pengolahan citra digital, yaitu: nilai luas
∆Vij (br ) = αδ j X i + β∆Vij (lm) (15) proyeksi, indeks warna merah (r), hijau (g),
dimana β adalah konstanta momentum. biru (b), energi, entropy, kontras dan
4. Iterasi homogenitas, sebagaimana pada Gambar 4.
Proses (2) dan (3) dilakukan secara berulang-
ulang dan setiap perulangan mencakup
pemberian contoh pasangan nilai input-output,
perhitungan nilai aktivasi dan perubahan nilai
pembobot.
Kinerja jaringan dapat juga dinilai berdasarkan nilai
RMSE, sebagaimana pada persamaan 16.
RMSError =
∑ (Y
k − Tk ) 2 (16) Gambar 3. Proses bine- Gambar 4. Proses
n Risasi citra jeruk nipis. thresholding
dimana : Yk=nilai prediksi jaringan, Tk=nilai target f. Setelah data hasil pengolahan citra didapat,
yang diberikan pada jaringan dan n=jumlah contoh maka data tersebut digunakan sebagai
data pada set validasi. masukan JST untuk dapat menentukan mutu
jeruk nipis, sebagaimana pada Tabel 1.
3. METODOLOGI PENELITIAN Adapun model yang digunakan sebagai-mana
3.1. Bahan dan Alat Penelitian pada Gambar 5.a. dan 5.b.
Bahan penelitian yang digunakan adalah
LP
jeruk nipis segar dengan berbagai tingkat mutu (A,
B, C dan D) masing-masing 50 buah sampel. r
Peralatan yang digunakan untuk pengolahan g O1
citra adalah kamera charge Coupled device (CCD- b O2
OC-05 D (Digital video camera)), 4 buah lampu (5 eg O3
W / 220 V / 50 Hz.), kertas karton putih dan
et O4
perangkat lunak dalam bahasa MS. VB. 6.0 under
windows ME. Peralatan untuk pengolahan kt
konvensional adalah Timbangan digital (METTLER hm
PM-48000), Rheome-ter model CR-30,
Gambar 5.a. Model 1 JST mutu.
refraktometer digital (Atago model PR-201 (0- O1
LP
60%)), jangka sorong (caliper), penggaris dan
penggaris busur. r
O2
g
3.2. Prosedur Penelitian b O3
Jeruk nipis segar dengan berbagai mutu, kt
terlebih dahulu dibersihkan dari noda/kotoran yang
hm O4
melekat permukaan kulit buah. Adapun prosedur
penelitian adalah sebagai berikut : Gambar 5.b. Model 2 JST mutu.
84
Tabel 1.Tabel output JST mutu jeruk nipis

0.50
MUTU O1 O2 O3 O4 KETERANGAN
Indeks Warna Merah

A 1 0 0 0 10 – 15 bh/kg 0.45
(awal tua/tua)
0.40
B 0 1 0 0 16 – 20 bh/kg
(awal tua/tua) 0.35
C 0 0 1 0 10 – 15 bh/kg
(matang/lewat 0.30
matang) 100 120 140 160 180 200
D 0 0 0 1 16 – 20 bh/kg Umur Petik SBM (hr)
(matang/lewat
matang) Gambar 8. Sebaran nilai indeks warna merah
dengan umur petik SBM
g. Pelatihan JST pada dua model tersebut Indeks warna hijau dapat membeda-kan
menggunakan algoritma backpropaga-tion, umur petik 140 hari pada ambang batas bawah
dimana sebelum melakukan pelatihan terlebih 0.392 dengan umur petik 160 hari dan umur petik
dahulu menentukan nilai laju konstanta 160 hari pada ambang batas bawah 0.377 dengan
momentum dan fungsi aktivasi. Adapun dalam umur petik 180 hari, akan tetapi indeks warna hijau
percoba-an ini nilai konstanta yang digunakan tidak dapat membedakan umur petik 120 hari
adalah parameter nilai laju pembelajaran (α) = dengan umur petik 140 hari dan umur petik 160
0.8, parameter nilai konstanta mo-mentum (β) hari. Gambar 9 memperlihatkan sebaran nilai
= 0.8 dan parameter nilai fungsi aktivasi = 1. indeks warna hijaudengan umur petik SBM.
Jumlah pengulangan sebanyak 3000 kali,
0.45
sebagaimana terli-hat pada Gambar 6.
Indeks Warna Hijau
h. Dari pelatihan tersebut menghasilkan nilai 0.42
pembobot, dengan menggunakan nilai

0.39
pembobot dan set data validasi dapat
dilakukan proses validasi yang menghasilkan 0.36
set data prediksi dan error. Proses validasi
terlihat pada Gambar 7. 0.33
100 120 140 160 180 200
Umur Petik SBM (hr)
Gambar 9. Sebaran nilai indeks warna hijau

Indeks warna biru dapat membedakan umur
petik 120 hari pada ambang batas bawah 0.215
Gambar 6. Pelatihan Gambar 7. Validasi dengan umur petik 160 dan umur petik 180 hari,
JST mutu jeruk nipis JST mutu jeruk nipis akan tetapi indeks warna biru tidak dapat
i. Validasi dengan membandingkan hasil membedakan umur petik 120 hari dengan umur
penentuan tingkat mutu JST dengan tingkat petik 140 hari. Gambar 10 memperlihatkan
mutu sebenarnya untuk mendapatkan nilai sebaran nilai indeks warna biru dengan umur petik
akurasinya, hal ini dapat menggunakan SBM.
persamaan 17.
0.30
Y
Indeks Warna Biru
Val (%) = × 100% ...................... (17) 0.27

T 0.24
0.21
4. HASIL DAN PEMBAHASAN
4.1. Evaluasi Tingkat Kematangan Jeruk Nipis 0.18
Dengan Metode Pengolahan Citra Digital 0.15

100 120 140 160 180 200
Dalam pengolahan data sistem warna RGB, Umur Petik SBM (hr)
Indeks warna merah dapat membe-dakan umur
Gambar 10. Sebaran nilai indeks biru
petik 120 hari pada ambang batas atas 0.372
dengan umur petik 140 hari dan umur petik 140
hari pada ambang batas atas 0.412 dengan umur Dalam pengolahan data tekstur, dapat
petik 160 hari, akan tetapi indeks warna merah diketahui dari perbedaan ambang batas atas dan
tidak dapat membedakan umur petik 160 hari ambang batas bawah pada fitur kontras dan fitur
dengan umur petik 180. Hal ini sebagaimana pada homogenitas tiap umur umur petik. Fitur kontras
Gambar 8. dapat membedakan umur petik 180 hari pada
85
ambang bawah 0.667 dengan 120 hari dan 140

hari, akan tetapi data kontras antara umur petik 0.0185
120 hari dan 140 hari dengan 160 hari tidak
0.0180
menunjukkan perbedaan yang signifikan. Gambar
RMSE
11 memperlihatkan sebaran nilai kontras dengan 0.0175
umur petik SBM.
0.0170
Fitur homogenitas dapat membedakan umur
petik 180 hari pada ambang atas 0.762 dengan 0.0165
120 hari dan 140 hari, akan tetapi data 6 9 12 15
homogenitas antara umur petik 120 hari dan 140 HIDDEN
hari dengan 160 hari tidak menunjukkan Gambar 13. Grafiks RMSE tingkat mutu
perbedaan yang signifikan. Gambar 12 model 1 dengan sejumlah
memperlihatkan sebaran nilai homogenitas hidden pada iterasi 3000
dengan umur petik SBM.
3.0 Tabel 2 mengindikasikan hasil validasi mutu
2.5 dengan jumlah hidden 6, 9, 12 dan 15. Setelah
2.0 diverifikasi hasil model 1 dengan persamaan 17
Kontras
1.5 dapat tepat memprediksi 95.83 % dari keluaran

1.0
yang telah ditetapkan sebelumnya.
0.5
Tabel 2. Validasi model 1 tingkat mutu pada
0.0
100 120 140 160 180 200
berbagai simpul dalam
Umur Petik SBM (hr) Klasifikasi Akurasi Model Tiap Lapisan
Gambar 11. Sebaran nilai kontras Dalam (%)
dengan umur petik SBM. 6 9 12 15
A (1000) 100 100 100 100
1.1
B (0100) 88.89 88.89 83.33 94.44
C (0010) 40.00 40.00 40.00 80.00
D (0001) 100 100 100 100
Homogenitas
0.8
TOTAL 89.58 89.58 87.50 95.83
0.6
5. KESIMPULAN
1) Indeks warna merah dapat membedakan umur
0.3 petik 120 hari dengan 140 hari dan umur petik
100 120 140 160 180 200
Umur Petik SBM (hr)
140 hari dengan umur petik 160 hari, indeks
warna hijau dapat membedakan umur petik
Gambar 12. Sebaran homogenitas 140 hari dengan 160 hari dan umur petik 160
dengan umur petik SBM. hari dengan umur petik 180 hari, indeks warna
4.2. Pelatihan dan Validasi Jaringan Syaraf biru dapat membedakan umur petik 120 hari
Tiruan dengan 160 dan 180 hari.
Nilai laju pembelajaran (α) = 0.8, konstanta 2) Dalam pengolahan data tekstur yang dapat
momentum (β) = 0.8, nilai fungsi aktivasi = 1 dan digunakan adalah fitur kontras dan
jumlah iterasi =3000 dengan jumlah lapisan homogenitas, Fitur kontras dapat
tersembunyi 6, 9, 12 dan 15. membedakan umur petik 180 hari dengan 120
Kinerja jaringan terletak pada RMSE, dan 140 hari, Fitur homogenitas dapat
semakin rendah nilai RMSE yang dihasilkan pada membedakan umur petik 180 hari dengan 120
pelatihan, maka semakin baik kinerja jaringan. hari dan 140 hari.
Hasil pelatihan JST pada mutu model 1 dipilih, 3) Keakuratan model JST yang paling ideal
dengan spesifikasi model: 8 parameter input, 15 adalah menggunakan parameter hasil
lapisan tersembunyi dan 4 keluaran karena pengolahan citra sebagai data masukan
terendah nilai errornya dan paling tepat dalam tingkat mutu (r, g, b, energi, entropi, kontras,
menentukan mutu. Adapun keterkaitan antara homogenitas dan luas proyeksi) dapat
lapisan tersembunyi dengan error sebagaimana menentukan mutu buah jeruk nipis dengan
ter-lihat pada Gambar 13. tingkat keakuratan 95.83 %.
86
DAFTAR PUSTAKA [11] Rumelhart (Bishop, CM.), Neural Networks

For Pattern Recognition. Clarendan Press,
[1] Ashari, S., Hortikultura Aspek Budidaya,
Oxford., NY., 1995.
Universitas Indonesia. Jakarta, 1995.
[12] Sarwono, B., Khasiat & Manfaat Jeruk Nipis,
[2] Fausett, L., Fundamentals Of Neural
PT. Agro Media Pustaka, Jakarta, 2001.
Network Architectures : Algorithm and
Applications, Prentice-Hall, Inc., 1994. [13] Stephens, Rod, Visual Basic Graphics
Programming : Hands-On Application And
[3] Hagan, Martin T., Neural Network Design.
Advanced Color Development. Wiley
PWS Publishing Company, Inc., USA., 1995.
Computer Publishing, Inc., Canada, 2000.
[4] Hamdani, Y., Pengembangan Algo-ritma
[14] Subiyanto, Pemakaian Jaringan Sya-raf
Image Processing Untuk Menentukan dan
Tiruan Perambatan Balik Sebagai Cara Lain
Warna Buah Manggis. (Cucumis sativus L.),
Prakiraan Beban Jangka Pendek Di Jawa
Thesis, Fateta., IPB., Bogor, 1998.
Tengah D.I.Y., Tugas Akhir Teknik Elektro
[5] Haralick, RM., K. Shanmugam and Itshak Fakultas Teknik UNDIP., Semarang, 1998.
Dinstein, Textural Features For Image
[15] Suryadi.. Dasar Pengolahan Citra . Seri
Classification, IEEE Transac-tion On
Diktat Kuliah. STI&K-STMIK Jakarta.
System, Man and Cybernetics. 3(6): 610 –
Jakarta, 1994.
621, 1973.
[16] Webber, The Citrus Industry, Vol. 1.,
[6] Hendro Sunarjono, Pengenalan Jenis
University California Press, 1943.
Tanaman Buah-buahan Dan Bercocok
Tanam Buah-buahan Penting di Indonesia,
Sinar Baru, Bandung, 1981.
Riwayat Hidup
[7] Khres, Penentuan Tingkat Ketuaan dan
Zainul Arham, S.Kom., M.Si.
Kematangan Sawo Dengan Jaringan Syaraf
Tempat Tgl Lahir: Jombang, 30 Juli
Tiruan Dari Spektrum Infra Merah, Thesis,
1974
Fateta., IPB., Bogor, 2002.
Menamatkan pendidikan di IPB Prog
[8] Nagy, S., P.E. Shaw dan M.K. Veldhuis.. Studi Ilmu Keteknikan Pertanian,
Citrus Science and Techgnology. Volume 1. konsentrasi Tek. Agrosistem &
The AVI Publishing Company Inc. Westport Informatika pada tahun 2003.
Connecticut. 1997. Saat ini bekerja sebagai staf pengajar pada
Universitas Islam Negeri Jakarta dan Konsultan
[9] Nata Widjaja, P.S.. Mengenal Buah-Buahan
Telematika Barusaka.
Yang Bergizi. Penerbit Pustaka Dian.
Jakarta. 1993.
[10] Rukmana, R., Jeruk Nipis, Penebar
Swadaya, Jakarta, 1996.
87
88
Pemodelan Pengaruh Knowledge Management

Untuk Pengembangan Sumber Daya Manusia
Mohamad Haitan Rachman
Multiforma Sarana Consultant, pt.
Bandung 40264, Indonesia
E-mail : haitan@multiforma.co.id
Abstract
Knowledge Management (KM) dapat mempercepat pembelajaran bersama untuk
mengembangkan sumber daya manusia yang mampu meningkatkan kemampuan
daya saing dan merespons perubahan pasar secara proaktif. Pemahaman
terhadap knowledge management sangat diperlukan untuk mengetahui
pengaruhnya dalam organisasi. Pendekatan kesisteman melalui system dynamic
dapat dipergunakan untuk mengetahui pengaruh knowledge management tersebut
dengan baik. Tulisan ini menjelaskan penggunaan system dynamic untuk
mengetahui pengaruh knowledge management dalam peningkatan sumber daya
manusia melalui pembelajaran bersama.
Keywords: Knowledge Management, System Dynamic, Human Resource Development
1. PENDAHULUAN sebuah sistem dengan baik (1,2). Dan tulisan ini

menjelaskan satu model SD untuk menjelaskan
Sumber Daya Manusia (SDM) merupakan KM dalam proses pengembangan SDM.
aset yang sangat penting bagi perkembangan
setiap perusahaan untuk dapat mempertahankan 2 KNOWLEDGE MANAGEMENT
keberadaan perusahaan dalam era persaingan
terbuka dan global saat ini. Peningkatan kemam- Telah menjadi satu konsensus umum bahwa
puan SDM untuk dapat menjalankan pekerjaannya pengetahuan marupakan dasar kompetisi dan
dengan lebih baik sangat diperlukan, oleh karena efektifitas operasi bisnis dalam setiap perusahaan.
itu hampir kebanyakan perusahaan mempunyai Pengetahuan sebagai sumber bisa hilang dari
agenda pelatihan secara rutin untuk mendukung lingkungan organisasi dikarenakan beberapa
peningkatan SDM tersebut. sebab, seperti kematian, mutasi kerja, bahkan
Sebenarnya proses pembelajaran tidak hanya mungkin pindah kerja ke perusahaan lain yang
bertumpu pada pelatihan yang umum dilakukan, menjadi kompetitor. Sehingga pada prinsipnya
tetapi dapat dilakukan dalam bentuk lainnya, adalah kehilangan pengetahuan merupakan
seperti dialog, tanya-jawab, berbagi pengalaman, kehilangan investasi yang sudah dilakukan
atau dokumen. Pelatihan merupakan bentuk perusahaan, karena pengetahuan diperoleh
berbagi pengetahuan yang dikelola secara baik, melalui proses pembelejaran dan pengalaman
sedangkan yang lainnya belum dikelola dengan yang cukup panjang.
baik. Pengetahuan merupakan sumber utama dari Knowledge Management (KM) dapat
proses pembelajaran tersebut. Oleh karena itu dipandang dari dua sisi yaitu secara operasional
pengembangan SDM ini sangat bergantung dari dan strategis. KM secara operasional artinya KM
pengetahuan yang dipelajarinya, dan mempunyai merupakan aktifitas organisasi dimana terjadi
pengaruh secara langsung terhadap perusahaan pengembangan dan pemanfaatan pengetahuan,
itu sendiri. sedangkan KM secara strategis artinya KM
Knowledge Management (KM) dapat merupakan langkah untuk memantapkan setiap
diterapkan untuk mendukung proses pengemba- organisasi sebagai organisasi yang berbasis
ngan sumber daya manusia melalui proses pengetahuan.
knowledge sharing (berbagi pengetahuan) secara Knowledge Management (KM) dapat
lebih terstruktur. Pendekatan-pendekatan yang didefinisikan sebagai satu set (himpunan)
cocok untuk penerapan knowledge management intervensi orang, proses dan tool (teknologi) untuk
sangat bergantung pada tujuan-tujuan yang ingin mendukung proses pembuatan, pembauran,
dicapainya dengan baik. penyebaran dan penerapan pengetahuan (3).
Systems Dynamic (SD) merupakan teknik Knowledge Management (KM) merupakan proses
yang cukup populer untuk memahami perilaku dari yang terus-menerus harus dilakukan sehingga
89
proses tersebut akan menjadi satu budaya dari Penerapan KM akan memberikan pengaruh
perusahaan tersebut, dan akhirnya perusahaan terhadap proses bisnis perusahaan:
akan membentuk organisasi yang berbasis pada
pengetahuan. 1. Penghematan waktu dan biaya. Dengan
Projek Knowledge Management (KM) dapat adanya sumber pengetahuan yang terstruktur
diklasifikasikan dalam beberapa tipe yaitu (4) : dengan baik, maka perusahaan akan mudah
untuk menggunakan pengetahuan tersebut
1. Mengumpulkan dan menggunakan ulang untuk konteks yang lainnya, sehingga
pengetahuan terstruktur. Pengetahuan sering perusahaan akan dapat menghemat waktu
tersimpan dalam beberapa bagian dari output dan biaya.
yang dihasilkan perusahaan, seperti disain 2. Peningkatan aset pengetahuan. Sumber
produk, proposal dan laporan projek, prosedur- pengetahuan akan memberikan kemudahaan
prosedur yang sudah diimplementasikan dan kepada setiap karyawan untuk
terdokumentasikan dan kode-kode software memanfaatkannya, sehingga proses
yang mana semuanya dapat dipergunakan pemanfaatan pengetahuan di lingkungan
ulang untuk mengurangi waktu dan sumber perusahaan akan meningkat, yang akhirnya
yang diperlukan untuk membuatnya kembali. proses kreatifitas dan inovasi akan terdorong
2. Mengumpulkan dan berbagi pelajaran yang lebih luas dan setiap karyawan dapat
sudah dipelajari (lessons learned) dari praktek- meningkatkan kompetensinya.
praktek. Tipe projek ini mengumpulkan penge- 3. Kemampuan beradaptasi. Perusahaan akan
tahuan berasal dari pengalaman yang harus dapat dengan mudah beradaptasi dengan
diinterpretasikan dan diadopsi oleh user dalam perubahan lingkungan bisnis yang terjadi.
kontek yang baru. Projek ini biasanya melibat- 4. Peningkatan produktfitas. Pengetahuan yang
kan sharing pengetahuan atau pelajaran sudah ada dapat digunakan ulang untuk
melalui database seperti lotus notes. proses atau produk yang akan dikembangkan,
3. Mengidentifikasi sumber dan jaringan sehingga produktifitas dari perusahaan akan
kepakaran. Projek ini bermaksud untuk menja- meningkat.
dikan kepakaran lebih mudah terlihat dan
mudah diakses bagi setiap karyawan. Dalam
hal ini adalah untuk membuat fasilitas koneksi 3. MODEL SIMULASI
antara orang yang mengetahui pengetahuan
dan orang yang membutuhkan pengetahuan. Tulisan ini memberikan satu model pengaruh
4. Membuat struktur dan memetakan pengeta- penerapan knowledge management (KM) untuk
huan yang diperlukan untuk meningkatkan pengembangan sumber daya manusia (SDM)
performansi. Projek ini memberikan pengaruh dalam perusahaan pengembangan sistem
seperti pada proses pengembangan produk teknologi informasi. Perusahaan yang bergerak
baru atau disain ulang proses bisnis dengan dalam bidang teknologi informasi sangat kental
menjadikan lebih explisit atau terbuka dari dengan penyimpanan dan penggunaan sumber
pengetahuan yang diperlukan pada tahap- pengetahuan untuk menyelesaikan projek atau
tahap tertentu. pengembangan sistem. Sehingga proses
5. Mengukur dan mengelola nilai ekonomis dari pembelajaran untuk mendukung proses
pengetahuan. Banyak perusahaan mempunyai pengembangan SDM tidak hanya bertumpu pada
aset intelektual yang terstuktur, seperti hak proses pelatihan formal saja, tetapi mungkin
patent, copyright, software licenses dan data- diperoleh melalui pengalaman atau diskusi-diskusi.
base pelanggan. Dengan mengetahui semua Untuk membangun model pengaruh KM pada
aset-aset ini memungkinkan perusahaan untuk proses pengembangan SDM dapat digunakan
membuat revenue dan biaya untuk diagram cuase-effect. Dan dari diagram ini akan
perusahaan. mudah dibangun simulasi yang menggunakan
teknik System Dynamic.
6. Menyusun dan menyebarkan pengetahuan Personal knowledge (pengetahuan yang
dari sumber-sumber external. Perubahan dimiliki pribadi) akan membentuk organizational
lingkungan bisnis yang cepat dan tidak knowledge (pengetahuan yang dimiliki
menentu telah meningkatkan kepentingan dan perusahaan). Bertambahnya pengetahuan yang
kesungguhan pada business intelligence dimiliki pribadi akan bertambahnya pula
system. Dalam projek ini perusahaan pengetahuan yang dimiliki oleh perusahaan, atau
berusaha mengumpulkan semua laporan dari sebaliknya (Gambar 1).
luar yang berhubungan dengan bisnis. Dalam
projek ini diperlukan editor dan analyst untuk
menyusun dan memberikan konteks terhadap
informasi-informasi yang diperoleh tersebut.
90
+ Kejadian-kejadian seperti ini banyak memberikan

pengaruh cukup besar bagi perusahaan seperti
Pers onal Organizational perusahaan teknologi informasi, sehingga perlu
Knowledge Knowledge dicarikan solusinya. Knowledge management
dapat menjadi solusi untuk masalah-masalah
+ seperti di atas, karena pengetahuan menjadi
mudah diakses dan disimpan secara baik (Gambar
Gambar 1. Interaksi Pengetahuan Pribadi dan 4).
Perusahaan
Kehilangan OK
-
Peningkatan pengetahuan dari setiap staff Kehilangan PK
Pengetahuan
akan mendorong berbagi pengetahuan satu sama Keluar
Berubah
lain. Kemampuan atau pengetahuan pribadi ini Penyelesaian

Pekerjaan +- - + - -
akan meningkatkan produktifitas kerja sehingga + + Pers onal Organizational
penyelesaian pekerjaan juga akan meningkat. Dari +
Knowledge Knowledge
tugas-tugas yang diberikan dari pekerjaan akan + + + Perubahan PK
menjadi OK
memberikan pengalaman, dokumen atau template +
Produktifitas
Perubahan OK
yang dipakai sehingga akan menambah juga + ke PK
Staff
pengetahuan pribadi (Gambar 2). Interaksi Antar
Pribadi
Peningkatan OK
+
Aktifitas KM
Penyelesaian
Rekrutasi Peningkatan PK Perubahan PK
Pekerjaan + menjadi PK
+ + + Gambar 4. KM Sebagai Solusi Pemindahan
Pers onal Organizational
Pengetahuan
Knowledge Knowledge
+
+
+
Aktifitas knowledge management dapat
Produktifitas meningkatkan perpindahan pengetahuan PK-PK,
OK-PK, dan PK-OK.
+
Interaksi Antar
Pribadi
4. KESIMPULAN DAN RISET LANJUTAN
Gambar 2. Pengembangan Pengetahuan Pribadi
Knowledge management merupakan langkah
Pengetahuan yang staff bisa saja hilang strategis untuk perusahaan dalam proses
dikarena beberapa hal, seperti keluar dari pengembangan sumber daya manusia yang
perusahaan, pindah ke departemen lain, mempunyai pengetahuan pribadi yang dapat
pengetahuan yang usang atau diperbaharui meningkatkan produktifitas dan pengetahuan
(Gambar 3). perusahaan. Diagram cause-effect dapat
memberikan kemudahan untuk memahami
Kehilangan OK pengaruh knowledge management dalam
Kehilangan PK - perusahaan dengan baik.
Keluar Pengetahuan Model ini perlu terus dikembangkan untuk
Berubah
Penyelesaian memungkinkan lebih mengetahui terhadap
Pekerjaan pengaruhhnya apabila diterapkan teknologi
+
+
-+ - + - - informasi untuk mendukung knowledge
Pers onal Organizational management, dan juga dapat dikaji tentang
+
Knowledge Knowledge pengaruh sistem manajemen perusahaan untuk
+ + + kelancaran penerapan knowledge management.
+
Produktifitas
+
Staff Interaksi Antar Peningkatan OK
Pribadi +
Rekrutasi Peningkatan PK
+
Gambar 3. Perubahan PK dan OK
91
DAFTAR PUSTAKA RIWAYAT PENULIS
1. MIT. Road Maps: A Guide to Learning System Mohamad Haitan Rachman

Dynamics. lahir di kota Bandung tanggal 2
Agustus 1966. Sedang
2. Kirkwood, Craig W. System Dynamics Methods: mengikuti pendidikan S3 dalam
A Quick Introduction. College of Business bidang Knowledge
Arizona State University, 1998. Management di Multimedia
3. Kotnour, T., Orr, C., Spaulding, J. and Guidi, J. University (MMU), Cyberjaya
(1997). Determining the Benefit of Knowledge Malaysia. Saat ini sedang
Management Activities. International memimpin sekolah tinggi
Conference on Systems, Man, Cybernetics. 94- manajemen ilmu komputer
99. Orlando, Florida. (STMIK) Mahakarya, Jakarta, dan perusahaan
yang bergerak dalam solusi manajemen dan IT,
4. Davenport, T., De Long, D. and Beers, M. PT Multiforma Sarana Consultant, Bandung. Dapat
Research Note: What is a Knowledge dikontak melalui email haitan@multiforma.co.id.
Management Project?.
http://www.businessinnovation.ey.com/mko/pdf/
KMPRES.PDF.
92
VISUALISASI DAN DATABASE PENGISIAN BOTOL

PADA INDUSTRI KIMIA BERBASIS MIKROKONTROLER
DENGAN PEMROGRAMAN VISUAL BASIC 6.0
A. Sofwan, M. Abror dan O.Namara
Jurusan Teknik Elektro - Fakultas Teknologi Industri, Institut Sains dan Teknologi Nasional
Jl. Moh. Kahfi II, Jagakarsa, Jakarta 12640, Tel. 021-79195268, Fax. 79195269
E-mail: mtm-istn@indo.net.id
Abstract
The safety factor of system operator in chemical industry is very important for the
system operator. In these globalization era where the operation controller machine
is remotely operated, the operators can work in safety room for controlling of
chemical product area as dangerous localisation. One of the applications of
chemical production process in this research is a visualization and product
database of water vessel filling. In this liquid filling process is used a
microcontroller type MCS-51 as a transmitter and as data receiver of used sensor.
Beside that, installed computer and his database were operated on real time to
make a with various parameter integrated system. The process of production
control consists of 4 steps, which are process monitoring, quality control, reporting
and product data archive.
Keywords: Visualisasi, Industri kimia, Visual Basic, Mikrokontroller, Keselamatan

kerja.
I. Pendahuluan dengan jaringan, sehingga setiap informasi yang

berkaitan dengan aktivitas produksi dapat
Produktivitas dalam sebuah industri dewasa ini langsung diketahui, dikendalikan serta
dilaksanakan dengan menggunakan otomatisasi dikoordinasikan oleh operator dan pihak yang
mesin termasuk juga didalamnya proses yang membutuhkannya dalam jarak tertentu. Dengan
terintegrasi. System otomatisasi digunakan pada demikian akan sangat membantu operator dalam
suatu industri seperti industri kimia adalah untuk meningkatkan kwalitas kerjanya.
meningkatkan kualitas dan kuantitas keluaran
(output) dari sebuah mesin dan sekaligus hal itu Pada penjelasan penelitian yang diuraikan dalam
menggantikan operator yang dijalankan oleh makalah ini, system tersebut akan diujicobakan
manusia. Terutama dalam hal pengoperasian dan untuk diterapkannya pada suatu bagian dari
pengendalian mesin dengan bantuan alat-alat industri kimia yaitu pada proses pengisian botol
pengontrolan yang bersifat elektronik dan atau bejana. Proses pengisian ini merupakan
komputer serta pemrogramannya. suatu sistem yang terintegrasi yang dgerakkan
oleh sebuah motor. Dalam hal ini seorang operator
Seiring dengan lajunya waktu ke waktu, proses tidak diperkenan untuk berada terlalu sering pada
otomatisasi tersebut dapat terus mengalami lokasi produksi, ia dapat tetap berada di ruang
penyempurnaan seperti halnya visualisasi proses operator ataupun ruang kendali utama. Hal itu
produksi. System tersebut dapat mengontrol disebabkan untuk menghindari efek kimia yang
proses produksi secara remote / jarak jauh, berbahaya secara langsung. Dengan demikian
merekam setiap aktivitas produksi yang sedang operator cukup mengawasi proses produksi dan
berjalan, serta mencatat hasil produksi secara pencatatannya dari sebuah ruangan yang aman
langsung ke dalam sebuah database. Hal ini dari efek kontaminasi tersebut.
diperlukan terutama bagi pengolahan industri kimia Selain itu dalam ruangan tersebut sudah
yang tidak diperkenankan bersentuhan secara terpasang seperangkat komputer yang dapat
langsung. digunakan dan terhubung secara langsung dengan
sebuah mikrokontroler sebagai pengendali mesin
Semua hal itu dilakukan dengan perantara produksi, terutama untuk proses yang dianggap
seperangkat komputer yang dapat dihubungkan cukup berbahaya bagi manusia. Dengan demikian
93
keselamatan kerja bagi operator di bidang industri

kimia dapat ditingkatkan.
II. Konfigurasi
Konfigurasi sistem secara keseluruhan dapat

dibedakan menjadi 3 (tiga) bagian utama, yaitu:
Seperangkat PC (Personal Computer), Kontroler
yang dipilih beserta sistem pengamanannya dan
mesin produksi sebagai bagian yang dikendalikan.
Hal itu terpampang dengan jelas pada gambar 1
dibawah ini:
Gambar 2.
Program visualisasi pengisian botol
Secara keseluruhan, sistem tersebut terdiri dari

beberapa bagian utama, yaitu:
Kontroler
Kontroler ini merupakan alat pengendali dari
sistem ini dan dipilih untuk menggunakan
Mikrokontroler jenis MCS-5`1 yang juga telah
diprogram untuk mengendalikan mesin mesin
produksi.
Gambar 1. Diagram Blok
Mesin Produksi
PC Pada bagian mesin produksi Pengisian Botol
PC atau Personal Computer digunakan sebagai digunakan berbagai perangkat, yaitu: Konveyor
GUI (Graphical User Interface) yang berfungsi beserta motor penggeraknya, mesin pompa,
untuk mengendalikan dan sekaligus memonitoring solenoid, limit switch dan level tank. Sistem
sistem serta menyimpan data-data produksi guna tersebut dapat dilihat pada gambar 3 berikut:
pengarsipan.
Adapun perangkat software minimal yang

dibutuhkan dalam sistem ini yaitu: Microsoft
Windows, program visualisasi pengisian botol &
program database.
Program visualisasi tersebut selain menampilkan

simulasi aktivitas produksi yang sedang berjalan
dengan juga menampilkan tombol start, tombol
data dan tombol maintenance yang dapat diklik
untuk melakukan fungsi-fungsi tertentu. Hal itu
dianggap sebagai menu utama.
Gambar 3. Mesin Produksi Pengisian Botol
Sedangkan program database digunakan sebagai
penyimpan data-data produksi yang sedang III. Prosedur Operasi
berjalan ke dalam komputer. Adapun bentuk dari Operator dapat menggunakan software program
visualisasi sistem pengisisan cairan pada suatu visualisasi pengisian botol untuk beberapa fungsi
bejana dapat dilihat pada gambar 2 dibawah ini: dengan mengklik tombolnya melalui mouse,
sebagaimana terlihat pada gambar 4. Tombol
fungsi tersebut terdapat 3 tombol utama, yaitu:
94
Tombol Maintenance
Tombol Maintenance berfungsi untuk mengetahui

atau mencari informasi tentang letak gangguan
yang terjadi pada mesin produksi apabila timbul
suatu masalah atau kerusakan. Ketika terjadi
kerusakan di salah satu komponen dari mesin
produksi secara otomatis sehingga mudah
diketahui oleh operator. Komputer akan
memberitahukan melalui program visualisasi
dengan suara beep dan gambar komponen pada
program visualisasi yang berkedap-kedip. Hal itu
Gambar 4. Tombol Fungsi menandakan bahwa bagian yang berkedip
tersebut tidak dapat berjalan dengan sempurna
Tombol Start ataupun terjadi kerusakan.
Tombol Start digunakan untuk mengaktifkan
sistem pengisian botol yang akan berjalan secara Namun demikian kerusakan tidak selalu berada
otomatis. Conveyor akan aktif untuk pada bagian yang oleh program visualisasi
menggerakkan ban berjalan. Dengan demikian ditunjukkan berkedip-kedip. Untuk itu diperlukan
bejana yang akan diisi akan bergerak ke arah dan tombol-tombol tester yang fungsinya untuk
dengan batas tertentu hingga menyentuh limit mengetes / menguji satu persatu komponen yang
switch. Selain itu ada pula tombol STOP. ada. Tombol-tombol tester tersebut muncul setelah
tombol maintenance ditekan atau diklik. Hal ini
Setelah tombol Stop ditekan, maka tulisan START merupakan upaya pencarian kesalahan secara
yang ada pada tombol akan berubah menjadi manual. Dengan demikian sistem ini dapat
STOP. Tombol Stop berfungsi untuk mengakhiri mengkombinasikan antara otomatisasi dengan
atau mematikan sistem yang sedang berjalan, manual. Beberapa tombol tester pada industri
sehingga sistem tidak lagi bekerja. tersebut dapat ditampilkan gambar 6 dibawah ini.
Pada lokasi-lokasi utama perlu diletakkan dan
Tombol Data ditempatkan tombol tombol tersebut.
Tombol Data digunakan untuk memanggil program
Database Produksi. Program ini secara otomatis
akan mencatat jumlah produksi dan status mesin
produksi beserta waktu pengoperasiannya.
Dengan demikian data akan terrecord secara
otomatis, sehingga dapat mengurangi human error
yang seringkali terjadi. Bentuk Database tersebut
ditampilkan pada gambar 5 berikut.
Gambar 6. Tombol-tombol Tester
IV. Deskripsi Kerja Sistem
Master on system dapat dipaparkan dengan

menekan tombol Start atau diklik, maka software
tersebut akan mendeteksi dan memberikan semua
informasi yang ada pada mesin produksi serta
mengaktifkannya, yaitu diantaranya:
- Level Tank visualisasi pada komputer

menunjukkan keadaan sebenarnya pada
Mesin Produksi. Seberapa banyak air yang
tersedia bagi pengisisan botol dapat dikontrol.
Bila air yang tersedia berkurang maka dapat
mengaktifkan pompa untuk mengisinya
kembali.
- Pompa akan bekerja untuk mengalirkan air
Gambar 5. Program Database dari tangki 1 ke tangki 2. Jika tangki 2 tidak
penuh, ditandai pula dengan perubahan
95
warna pompa visualisasi pada komputer dari Kekurangan

warna merah menjadi hijau sebagai indikator - Pembuatannya yang tidak efisien.
kerja pompa. - Biaya yang terlalu mahal.
- Konveyor pada mesin produksi aktif atau - Penempatan PC sebagai server yang cukup
berjalan ditandai dengan visualisasi motor banyak memakan tempat.
yang berubah warna dari merah menjadi hijau
serta konveyor akan tampak berjalan / References:
bergerak.
- Botol sebagai bejana zat cair yang bergerak 1. Simulasi Penggunaan Scada untuk Visualisasi
melalui konveyor dan juga dapat tampak Proses Produksi pada instrumen Mixer Tank –
visualisasinya pada komputer. Bila botol yang A. Syaefudin, Jakarta, 2003.
bergerak tersebut akan menyentuh limit 2. Aplikasi Programmable Logic Controller dalam
switch maka akan menyebabkan konveyor Industri Proses Pengisian Bejana – S. E.
berhenti berjalan dan katup solenoid terbuka. Kuncoro, Jakarta, 2003.
Hal tersebut akan terulang kembali setiap ada 3. Pemrograman Visual Basic 6, Elek Media
botol yang melalui limit switch tersebut. Komputindo, 2000
- Setelah botol terisi penuh, katup solenoid 4. Aplikasi Visual Basic Dalam Industri Manufaktur,
kembali tertutup dan selanjutnya konveyor Elek Media Komputindo, 2002.
dapat kembali berjalan.
RIWAYAT PENULIS
Proses tersebut akan dapat terus berulang
kembali hingga saat tombol Stop yang tersedia A.Sofwan, Ia dilahirkan di Jakarta 42 tahun yang
ditekan. Dengan tertekannya tombol tersebut lalu. Menamatkan S1 di ISTN, S2 di UI dan S3 di
maka dapat untuk menghentikan aktivitas produksi Universitas Bremen, Jerman. Kini ia menjadi
dan proses berakhir/selesai. dosen di ISTN dan ditugaskan dalam Pengelolaan
Pascasarjana ISTN.
V. Kesimpulan
Kelebihan menggunakan sistem visualisasi & M.Abror, merupakan peneliti dan sekaligus
Database pada Industri Kimia yaitu: sebagai mahasiswa yang sedang menyelesaikan
- Mengurangi efek negatif dari bahan kimia yang tugas akhir dibawah bimbingan A.Sofwan
dihadapi oleh operator.
- Mempermudah pengawasan atas mesin Otto Namara, merupakan peneliti dan
produksi. wirauasahawan sekaligus sebagai alumni yang
- Laporan data produksi yang lebih cepat dan senang berinteraksi dengan tema penelitian
akurat. tersebut diatas.
- Dapat langsung diakses oleh pihak yang
berkepentingan melalui komputer yang
terhubung dengan jaringan.
96
PENGATURAN SISTEM KERJA KECEPATAN MOTOR

DC PADA MESIN PRODUKSI KEMPA TABLET
BERBASIS FUZZY
A.Sofwan dan A.Irfan
Institut Sains Dan Teknologi Nasional
Jl.Moh.Kahfi II.Jagakarsa Jakarta 12640
E-mail: mtm-istn@indo.net.id
Abstract
The Fuzzy Logic control has presented for a speed controlling of DC motor of
Tablet product machine “kempa tablet” The Fuzzy Logic control is a summe of
functions, which are built on the MATLAB. Control system based on designed of
motor DC with programmable fuzzy logic from computer programs. The Fuzzy
Logic Toolbox in MATLAB is a tool for problemsolving with fuzzy logic principle.
Research by this program is very interest, because it can make a good result of
linearity of some problem parameters. This Paper discusses about a models of
linear, time invariant (LTI) dynamical systems using functions from the Control
System Toolbox. It begins by developing a simple single-input, single-output
(SISO) model of a DC motor and describes the various model representations.
Typically, control engineers is began by a developing a mathematical description of
the dynamical system.This to-be-controlled system is called a plant. An used plant
in this research is the DC motor. This research develops the differential equations
that describe the electromechanical properties of a DC motor with an inertial load.
The result shows a good linearity models of used Control System Toolbox.
Keywords : speed, control, motor DC and fuzzy logic
1. PENDAHULUAN dan kecepatan dengan rentang yang lebar

Saat ini banyak alat-alat yang memerlukan putaran diperlukan untuk memenuhi kebutuhan aplikasi.
kecepatan Motor arus searah (DC), tetapi jarang Makalah ini menjelaskan mengenai tahap-tahap
digunakan pada aplikasi industri umum karena perancangan sistem pengedali kecepatan motor
semua sistem untiliti listrik di perlengkapi dengan DC.
perkakas arus bolak-balik. Meskipun demikian,
untuk aplikasi atau kasus khusus, adalah dapat
menguntungkan jika mengubah arus bolak-balik 2. Perancangan Sistem Motor DC
menjadi arus searah dengan menggunakan motor
DC. Hal itu terutama pada aplikasi mesin kempa Dari penjelasan makalah ini, diketahui bahwa
tablet berbasis Fuzzy. Mesin yang dimaksud kecepatan motor DC dapat diatur dengan
menggunakan pengendali. Ilustrdari sistem
Motor arus searah digunakan dimana kontrol torsi pengendali kecepatan motor DC diberikan oleh
gambar.1.
r u y
PENGENDALI PLANT
+
-
Gambar 1
Pengendali Kecepatan Diagram Blok Sistem Motor
97
Dari gambar 1 dapat dilihat prinsip kerja Model persamaan tersebut dinyatakan dalam
pengendali yang berguna untuk mempertahankan bentuk berikut:
kondisi perputaran motor yang mana akibat •
perputaran ini bisa menghasilkan kecepatan x = Ax + Bu ( 1)
motor yang akan dikendalikan oleh pengendali dan y = Cx + Du
close loop (loop tertutup) umpan balik akan
membantu pengendali untuk menentukan nilai
response yang dihasilkan input r (masukan) dan matriksnya sebagai berikut :
maupun output y (keluaran) sehingga nantinya
hasil keluaran sesuai dengan hasil yang − 10.00 1.00  0 
diinginkan. A=  ; B= 
 − 0.02 − 2.00  2
Adapun keluaran y merupakan kecepatan motor
DC (Arus Searah) dari sistem motor yang C = [1 0] D = [0 0] (II)
bebasiskan pada simulasi komputer dengan
software MATLAB. Data motor DC yang digunakan Selanjutnya, dibuat simulasi dari sistem motor DC
dalam simulasi MATLAB tersebut, menggunakan dengan Lup terbuka (Open Loop), seperti dalam
data motor dari web site www.engin.umich.edu [3] gambar 2 berikut ini :
sebagai berikut:
Keluaran ini akan diberikan kembali sebagai

umpan balik kepada pengendali. Dalam
merancang pengendali yang akan digunakan,
perlu dilihat terlebih dahulu keluaran open loop
(lup terbuka) dari sistem motor DC. Untuk
mendapatkan persamaan ruang keadaan sistem
motor DC maka parameter pada tabel 1
dimasukkan ke dalam persamaan yang didapat
dengan menggunakan bantuan MATLAB.
Selanjutnya akan didapatkan matriks A, B, C, D
dari bentuk umum model persamaan ruang
keadaan sistem motor DC untuk kecepatan.
Tabel 1 Parameter motor DC untuk kecepatan Gambar .2

Simulasi lup Terbuka Sistem Motor DC
J Momen Inersia 0.01 kg.m2/s2 Hasil Gambar 2 didasari dari rumus :
F Koefisien gesekan 0.1 Nms d 2θ dθ d 2θ 1 dθ

J =T −F ⇒ = (K a I a − F )
dt 2 dt dt 2 J dt
Konstanta 0.01
Ka
pembanding Nm/Amp di di 1 dθ
La = − Ra I a + V a − e a ⇒ = ( − Ra I a + V a − K b )
dt dt La dt
Konstanta g.g.l 0.01
Kb
balik Nm/Amp Pada gambar 2 nilai input kendali V merupakan
step input yang dikolerasikan dengan waktu t=0,
Ra Resistansi 1 Ohm jadi nilai yang diberikan untuk referensi adalah 0,
karena tujuan dari sistem adalah agar keluaran
La Induktansi 0.5 H sistem harus kembali menuju ke kondisi awal.
Setelah simulasi dijalankan maka akan didapatkan

keluaran y sebagai kecepatan motor DC sebagai
berikut (pada Gbr 3 )
98
Gambar 3
Keluaran Lup Terbuka dari simulasi Sistem motor DC
Dari Gambar 3 diatas Terlihat bahwa keluaran dari Locus maka akan terlihat gambar sebagai berikut:
sistem motor Dc ini memiliki waktu penetapan
(settling time) sekitar 2,07 detik dan parameter
kecepatan 0.1 rad/s, sehingga sistem ini masih
kurang sempurna dan kurang memuaskan sebab
sistem ini membutuhkan waktu penetapan (settling
time) yang sangat lama jadi respon sistem ini
kurang praktis dan dari parameter kecepatan yang
telah ditetapkan respon sistem membutuhkan
waktu sekitar 3 detik untuk mencapai keadaan
tunak (steady state). Jadi yang diinginkan adalah
ketika peralatan ini dihidupkan, motor harus
berkombinasi dengan sistem secepat mungkin dan
sistem mencapai keadaan tunak dengan waktu Gambar 4
yang cepat. Maka dari itu perlu adanya pengendali Diagram Root Locus dari sistem motor DC
untuk mengendalikan sistem tersebut yang
mengatur besar amplitude dan waktu penetapan,
sehingga kecepatan motor dc ini konstan dan Dari gambar terlihat bahwa ada satu pasang
seimbang tanpa mengalami overshoot. poles pada sumbu nyata (real-axis) dalam gambar
tersebut yaitu poles yang terletak disebelah kiri
Untuk menentukan pengendali apa yang sesuai pada sumbu nyata bernilai –10 dan poles yang
untuk sistem maka, program MATLAB terletak di sebelah kanan pada sumbu nyata (real
menyediakan suatu fasilitas yang gunanya untuk axis) bernilai –2. Sekarang yang dibutuhkan dari
melihat kestabilan sistem yaitu Root Locus. sistem ini adalah waktu penetapan (settling time)
dan overshoot sekecil mungkin. Damping yang
Maka dari itu bisa dilihat kestabilan sistem dari besar yang cocok untuk titik pada root locus dekat
persamaan Transfer Function yaitu persamaan: sumbu nyata (real axis) dan respon cepat dari
sistem yang cocok untuk titik pada root locus jauh
di sebelah kiri dari sumbu imajiner (imaginary axis).
θ a (s) Ka
Gm( f . f ) (s) = = Untuk menemukan gain yang cocok untuk titik
Va (s) s{(Ra + sLa )(sJ + F) + Ka Kb } pada root locus, maka dari fasilitas MATLAB
Dengan memasukkan persamaan tersebut ke berupa perintah rlocfind, maka bisa ditemukan
dalam program MATLAB dengan fasilitas Root gain dan plot step response. Dengan simulasi dari
MATLAB terlihat gambar diagram Root Locus.
99
Gambar 5 akan berubah menjadi gambar step

response dengan gain 10. dan selanjutnya
gambarnya akan terlihat seperti pada gambar 3.6.
Seperti yang terlihat, bahwa sistem ini over
damped dan waktu penetapannya (settling time)
sekitar 1 detik. Jadi dengan waktu penetapan
(settling time) yang cepat dan tanpa overshoot
yaitu overshootnya 0%, maka sistem ini
memuaskan, tapi yang jadi masalah sekarang
adalah terlihat dari gambar 3.6. Hal itu
menunjukkan bahwa untuk steady state errornya
hingga mencapai 50 %. Jika gain dinaikkan untuk
mengurangi steady-state error, maka yang terjadi
adalah overshoot akan menjadi besar.
Berdasarkan hal tersebut maka diperlukan
pengendali untuk mengurangi steady-state error
Gambar 5 dan pengendali yang cocok untuk sistem ini dan
Diagram Root Locus dari sistem motor DC sudah terbukti tingkat kestabilannya adalah
pengendali Fuzzy logic.
Dan selanjutnya pilih titik pada root locus
pertengahan garis antara sumbu nyata dan 3. HASIL DARI PERENCANAN
damping. Maka dari program MATLAB akan
mengeluarkan output dari pemilihan titik yang Hasil dari metode fuzzy logic pada mesin kempa
sudah dilakukan maka akan didapatkan tablet ini pada kecepatan motor DC dapat dilihat
keluarannya berupa pemilihan point yang dipilih, pada matlab dari parameter diatas, maka akan
gain (k) dan poles. Keluarannya sebagai berikut: didapatkan Step Response pada pengendali Fuzzy
Logic tersebut dari system gain 10 (Lihat gambar
selected_point = 6) untuk steady state errornya mencapai 50 %
-5.9966 + 2.0375i dengan menaikkan gain, maka akan terjadi nilai
k = 10.0658 kestabilan yang stabil.
poles =
-6.0000 + 2.0375i DAFTAR PUSTAKA
-6.0000 - 2.0375i
1. Benjamin C.Kua, Automatic Control System,
seventh edition, Prentice Hall Inc, 1995
2. Katsuhiko Ogata, Tehnik Kontrol Automatik,
Erlangga, Jakarta, 1997
3. www.engin.umich.edu
4. Delores M.Etter and David C. Kuncicky with
Doug Hull, Introduction to MATLAB 6, Prentice
Hall Inc, 2002
RIWAYAT PENULIS
A.Sofwan, Ia dilahirkan di Jakarta 42 tahun yang

lalu. Menamatkan S1 di ISTN, S2 di UI dan S3 di
Universitas Bremen, Jerman. Kini ia menjadi dosen
di ISTN dan ditugaskan dan diperbantukan dalam
Pengelolaan Pascasarjana ISTN.
Ahmad Irfan (24 th ) Jakarta 18 September 1980

pendidikan di ISTN Jakarta Jurusan Elektro S1
Gambar 6 tahun 1999 - sekarang. Organisasi yang pernah
Step Response sistem dengan Gain 10 diikuti Anggota ROHIS ISTN dan juga pernah
mengikuti kursus mikrokontroller, advance PLC
Kemudian setelah MATLAB digunakan maka akan Mitstubishi.
memberikan keluaran – keluaran, secara otomatis.
100
ALGORITHMA UNTUK DETEKSI QRS SINYAL ECG
Pratondo Busono1,2), Eddy Susanto2), Wiewie2), dan Yuliana Sadeli2)

1)
Bidang Teknologi Alat Kesehatan
Pusat Pengkajian dan Penerapan Teknologi Farmasi dan Medika
Deputi Teknologi Agroindustri dan Bioteknologi
BPPT
2)
Jurusan Teknik Informatika
Fakultas Ilmu Komputer
Universitas Bina Nusantara
Jakarta
Abstract
The heart failure is the most common reasons of death nowdays, but if the medical
help is given directly, the patient’s life may be saved in many cases. Numerous
heart deseas can be detected by means of analysing cardiogram. This paper
presents an algorithm for extracting characteristic features of ECG signals. The
features are used to detect lifethreatening arrhytmias.
Keywords: ECG, QRS detection
I. PENDAHULUAN direkam pada permukaan tubuh manusia,

khususnya pada lokasi-lokasi tertentu.
Jantung merupakan bagian terpenting Elektrokardiogram merupakan alat yang
dalam sistem peredaran darah manusia. Bagian ini dapat digunakan untuk mengukur potensial listrik
selalu berkontraksi memompa darah keseluruh sebagai fungsi waktu yang dihasilkan oleh jantung.
tubuh. Gerakan kontraksi otot jantung tersebut Perbedaan potensial tersebut divisualisasikan
menghasilkan impuls ritme yang teratur. Pada sebagai sinyal pada layar monitor. Sebuah siklus
keadaan normal, jantung bagian atria akan sinyal ECG pada jantung sehat seperti yang
Gambar 1 Sebuah siklus sinyal ECG [2]
berkonstraksi lebih cepat dari pada bagian ditunjukan oleh gambar 1, biasanya merupakan
ventrikel sehingga terjadi pengisian darah di gabungan dari gelombang P, Q, R, S, T dan U.
ventrikel sebelum dipompa ke seluruh tubuh. Masing-masing gelombang tersebut
Pada jantung terdapat beberapa sel pemicu merepresentasikan proses kelistrikan jantung [2].
denyut jantung yang dapat merubah sistem Kegunaan elektrokardiogram ini yang sangat
kelistrikan jantung. Sinyal ECG mereflesikan bermanfaat untuk mengetahui kondisi jantung
peristiwa kelistrikan yang terjadi dalam jantung. pasien, sehingga menjadikan alat ini sebagai
Aktifitas kelistrikan dalam jantung ini dapat peralatan standar bagi semua rumah sakit.
101
Manfaat elektrokardiogram adalah dapat Kompleks QRS memiliki komponen sinyal

memeperlihatkan adanya :infark miokard dan dalam frekuensi yang relatif lebar, berkisar antara
iskemi miokard, gangguan irama jantung atau 2-100Hz dengan puncaknya pada 10-15 Hz.
arrhythmias, gangguan jantung karena penyakit Output sinyal ECG setelah dilakukan pemfilteran
sistemik dan gangguan karena pengaruh obat- dengan menggunakan Hamming Window, dapat
obatan yang berpengaruh terhadap fungsi jantung dinyatakan dengan persamaan berikut [2,5],
[2,3]. NF
1
E1 [n] = ∑ h[i] E [n + i ]
Walaupun mengetahui cara kerja ECG relatif
(1)
mudah namun untuk mengetahui informasi yang 2 N F + 1 i= N F
0
terdapat pada data hasil rekaman ECG tidaklah
mudah. Untuk membaca EKG diperlukan
pengalaman dan pengetahuan mengenai penyakit
[]
dimana E 0 n adalah sinyal ECG asli.
jantung serta gejala-gejalanya. Esktraksi manual Setelah difilter, dilakukan scaling pada sinyal
terhadap informasi penting sinyal ECG sangatlah supaya amplitudo mempunyai kala maksimum
tidak efisien karena banyaknya data yang harus sama dengan 10.
E1 [n]
diamati [3]. Salah satu cara yang banyak dilakukan
adalah dengan menggunakan bantuan komputer E 2 [n] = 10 (2)
untuk mengetahui karakteristik dari sinyal. Dengan [E max − E min ]
cara ini, maka deteksi bentuk sinyal (P, QRS, T),
interval yang memisahkan mereka, durasi, dimana E max dan E min adalah nilai maksimum
fluktuasi dapat dilakukan dengan lebih teliti.
Akuisisi rekaman ECG berkualitas tinggi sangat dan minimum dari E1 dalam interval waktu
penting untuk mendeteksi munculnya gejala tertentu.
arrhythmias pada serangan jantung mendadak. Sinyal yang sudah diskala kemudian
Kesulitan-kesulitan di atas dapat dikuadratkan untuk memperkirakan kekuatannya
ditanggulangi dengan merancang sebuah dan dihaluskan dengan moving window integrator
perangkat lunak yang dapat menganalisa secara [2,5],
online maupun offline gelombang ECG dan 2
N1
kemudian mendiagnosanya sehingga probabilitas 1
penyakit yang diderita dapat diketahui. Beberapa E3 [n] = ∑ (E2 [n + i]) (3)
hal yang bisa diharapkan adalah adanya
2 N 1 + 1 i = − N1
peningkatan ketelitian membaca pola ECG dan sinyal E3[n] merepresentasikan perkiraan kekuatan
pengurangan durasi waktu dalam memeriksa jangka pendek ECG yang sudah difilter sekitar
kompleks QRS ventrikular . waktu n.
Proses dynamic thresholding kemudian
II. PEMROSESAN SINYAL DAN DETEKSI QRS dilakukan untuk mendeteksi onset dan offset
gelombang QRS [2,5]
Analisa data ECG secara lebih detail dapat
E3 [n + 1] − T [n ]
diuraikan sebagai berikut. Proses ekstrasksi T [n + 1] = T [n] + +B (4)
informasi yang terkait dengan karakteristik sinyal K
ECG seperti durasi sinyal, luas area dan lebar
gelombang QRS dilakukan oleh perangkat lunak [ ] []
dimana T n + 1 dan T n adalah nilai T yang
dalam komputer. Diagram blok dari algorithma
yang digunakan untuk mendeteksi karakteristik
baru dan nilai T yang lama. E 3 n + 1 adalah [ ]
sinyal ECG dapat dilihat pada Gambar 2. [2] sinyal ECG yang telah difilter, dan B adalah nilai
Pemrosesan sinyal ECG dilakukan secara offset. Adanya noise dan gangguan bentuk
simultan melalui dua jalur pemroses. Jalur pertama gelombang kadang masih menyebabkan
digunakan untuk memproses sinyal berfrekuensi kesalahan deteksi gelombang QRS. Threshold
tinggi (gelombang QRS), sedangkan jalur kedua dapat diadaptasikan dalam berbagai situasi
digunakan untuk menapis sinyal berfrekuensi berdasarkan faktor pembobot K. Terakhir, setelah
rendah (gelombang P dan T). Pada jalur pertama, menggunakan dynamic threshold maka posisi
gelombang ECG ditapis dengan menggunakan kompleks QRS dapat diketahui dengan mencari
filter lolos pita untuk mengekstrak komponen dari []
lokasi sinyal E 3 n maksimum dalam periode
gelombang QRS. Setelah pemfilteran, beberapa deteksi QRS.
tahapan pemrosesan dilakukan seperti baseline Dalam penelitian ini untuk klasifikasi
removal, pengkuadratan, penyekalaan dan gelombang QRS digunalan metoda Minimum
penapisan dengan menggunakan moving average. distance classifier. Dibandingkan metoda lainnya,
102
Sinyal ECG
Filter Lolos pita Filter lolos rendah
Baseline removal, Baseline removal

dan moving
Dynamic Ekstrasi QRS

threshold
Deteksi QRS Klasifikasi bentuk

QRS
Puncak R
Klasifikasi bentuk Puncak R

QRS
Analisa
Diagnosa
Gambar 2. Algorithma untuk analisis sinyal ECG [2]
teknik ini mempunyai keuntungan dalam

kemudahan implementasi dan kelebihan dalam III. HASIL
waktu perhitungan yang cukup cepat. Penggunaan
fungsi diskriminan diperlukan untuk menentukan Gambar 3 menunjukan sinyal ECG sebelum
jarak terdekat suatu objek dalam suatu ruang ciri proses penapisan dilakukan sinyal tersebut diambil
(feature space ) yang digunakan untuk klasifikasi.
pada durasi tertentu. Data yang digunakan
Misalnya ada banyak titik yang terdapat pada bersumber dari referensi [4]. Sinyal tersebut
feature space dimana titik-titik tersebut dilewatkan dalam bandpass filter untuk
berkelompok dan mewakili masing-masing class,
menghilangkan segala bentuk gangguan dan
maka klasifikasi jarak minimum mengelompokkan noise.
titik pola x ke dalam class yang terdekat
dengannya.
Klasifikasi jarak minimum digunakan untuk Langkah selanjutnya yang dilakukan adalah
mengenali pola kompleks QRS normal. penghilangan geseran garis dasar sehingga garis
Pengukuran jarak berikut ini digunakan untuk dasar gelombang mendekati nol dengan
menentukan kompleks QRS normal atau menggunakan metode pengepasan kurva
ventrikular [1] berdasarkan polinomial Chebyshev [5]. Agar dapat
dengan efisien menghilangkan pergeseran garis
d (c1 , c 2 , c5 ) = (c
1 − c1 ) + (c
2
2 − c2 ) + (c
2
5 − c5 )
2 dasar, digunakan pendekatan polinomial orde ke-6
dihitung dalam window 1024 sample (2.85 detik).
(5) Lalu hasil perhitungan perkiraan garis dasar
dimana c1, c2, dan c5 adalah koefiesien polinomial dikalikan dengan fungsi pembobot (weighting
Chebyshev yang merepresentasikan sinyal yang function) kemudian dikurangkan dari sinyal. Fungsi
dianalisa. pembobot di tampilkan pada Gambar 4.
103
Gambar 3 Sinyal EKG Asli Sebelum Tahap Digital Bandpass Filter dilakukan
Lalu window digerakkan sebanyak 512 Setelah proses base line removal dilakukan,
langkah selanjutnya yang dilakukan adalah proses
averaging, scaling dan squaring. Untuk proses
squaring, sinyal dikuadratkan dan dihaluskan
bentuknya dengan menggunakan moving window
integrator. Lebar window integrator yang
digunakan sama dengan 5. Gambar 6 menunjukan
hasil dari proses squaring tersebut.
Garis batas (threshold) digunakan sebagai
batas acuan untuk mendeteksi kompleks QRS.
Garis threshold ini akan mengikuti sinyal ECG,
Gambar 4 Fungsi Pembobot (Weighting Function) namun apabila terjadi perubahan yang mendadak,
Untuk Perkiraan Garis Dasar [2] maka garis ini tidak akan mampu mengikuti sinyal
ECG tersebut. Sehingga area gelombang akan
sampel dan prosedur diatas diulangi. Alasan berada di atas garis threshold dan area tersebut
dilakukan ini adalah untuk menghilangkan dianggap sebagai kandidat kompleks QRS.
Gambar 5 Garis Dasar Digeser Sehingga Mendekati Nol
diskontinuitas dari pendekatan kurva pada akhir Dengan menemukan nilai maksimum dari
window. Hasil yang didapatkan setelah proses suatu sinyal pada periode deteksi tertentu, maka
base removal dapat dilihat pada Gambar 5. Dari lokasi puncak R dapat diketahui seperti yang
gambar tersebut terlihat bahwa garis dasarnya terlihat pada Gambar 7.
mendekati nilai nol.
104
Gambar 6 Tahap Squaring Dan Moving Window Integrator
Gambar 7 Posisi Kompleks QRS
Gambar 8 Klasifikasi Bentuk QRS
Setelah lokasi kompleks QRS dapat Dengan formula Chebyshev didapatkan

diketahui, langkah berikutnya adalah menentukan koefisien-koefisien yang berguna untuk
apakah kompleks QRS yang terdeteksi normal menentukan distribusi sinyal ECG tersebut dalam
atau tidak. Karena bandpass filter sudah banyak ruang ciri (feature space). Kombinasi dari
mendistorsi sinyal, maka pada langkah ini kembali koefisien-koefisien tersebut akan mengelompok
menggunakan sinyal ECG yang masih belum menurut jenisnya, sehingga akan diperoleh
diolah. Sinyal tersebut selanjutnya ditapis dengan klasifikasi pola sinyal ECG.
menggunakan tapis lolos rendah (low pass filter). Klasifikasi pola sinyal menggunakan
Euclidean distance untuk mengenali pola
105
kompleks QRS normal atau tidak. Persamaan 5 V. KESIMPULAN

digunakan untuk mencari titik pusat gravitasi pada
ruang ciri (feature space). Bila ternyata pemetaan Berdasarkan dari hasi penelitian yang telah
koefisien jaraknya jauh dari pusat gravitasi normal, dilakukan maka penulis dapat menarik kesimpulan
maka titik tersebut tergolong ventrikular. Gambar 8 sebagai berikut :
menunjukan klasifikasi sinyal ECG berdasarkan Perangkat keras sistem telecardiology telah
nilai perhitungan jarak (eiclidian distance) dalam berhasil dibuat dan dapat beropersi dengan
ruang ciri. Simbol V merah menunjukan adanya baik.
anomali (ventricular) dalam sinyal ECG yang Program yang dibuat telah berhasil mengenali
diproses. pola dari data rekaman ECG.
Setelah kompleks QRS diklasifikasi, Waktu yang dibutuhkan untuk melakukan
arrythmia jantung dapat diketahui jenisnya dengan pengenalan pola dipengaruhi terutama oleh
satu set rules fuzzy expert system. Dalam dua banyak gelombang yang dibaca oleh aplikasi.
langkah proses sebelumnya didapatkan lokasi Semakin banyak gelombang yang akan
denyut dan pengukuran jaraknya dari kompleks dianalisa maka waktu proses dan pengenalan
QRS normal (pada feature space). Maka hasil- pola semakin lama.
hasil tersebut yang dijadikan input dalam fuzzy Waktu yang diperlukan untuk menganalisa
expert system sehingga menghasilkan diagnosa gelombang jauh lebih singkat daripada bila
akhir. Input data diperoleh dari lima QRS berturut- dilakukan secara manual.
turut seperti pada Gambar 9.
VI. DAFTAR PUSTAKA
1. E.R., Davies, Machine Vision: Theory,

Algorithms, Practicalities, San Diego:
Academic Press Inc., 1990.
2. K. Dubowik, Automated Arrhythmia Analysis –

An Expert System for an Intensive Care Unit.
New Jersey: Prentice-Hall, 1999.
3. L. Schamroth, An Introduction to
electrocardiography, Blackwell Scientific
Gambar 9 Lima QRS Berurutan Yang Dijadikan
Publication, Oxford, 1990.
Input Dalam Analisa
4. MIT/BIH Arrhythmia Database, Harvard
University & Massachusetts Institute of
Dari hasil tersebut dapat ditentukan
Technology Division of Health Sciences and
beberapa karakteristik yang akan digunakan dalam
Technology, Cambridge, MA.
diagnosis yaitu :
• Interval antar kelima kompleks QRS (t1, t2, t3, t4)
dalam satuan detik. 5. J.G. Proakis and D. G. Manolakis, Digital Signal
Processing. Principles, Algorithms and
• Denyut jantung per menit.
Applications, Third Edition, Prentice Hall Inc.,
New York, 1996.
• Jumlah kompleks QRS ventrikular diantara lima
denyut yang dianalisa.
• Varian interval. 6. K. P. Lin, and W.H. Chang, “ A Technique for
• Waktu yang terhitung sejak kompleks QRS Automated Arrhythmia Detection of Holter ECG,
terakhir. Engineering in Medicine and Biology Society,
Vol. I, 1997, pp. 183-184.
Kelima hal di atas menjadi variabel dalam
expert system, dimana untuk setiap variabel 7. Ricardo Poli et al. , “A Genetic Algorithm
didefinisikan sebuah subset fuzzy dengan nilai Approach to Design of Optimal QRS Detectors,
yang telah ditentukan dari berbagai sumber [2]. IEEE Trans. on Biomedical Engineering, 11(42),
1995, pp.1137-1141.
106

Prosiding Semiloka 2004

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Prosiding Semiloka 2004

Cargado por

Copyright:

Formatos disponibles

ISBN: 979-95965-7-2

Other Node Master

Other Node Master

Other Node Master

Assalamu’alaikum Warahmatullahi Wabarakatuh

Wassalamu’alaikum warahmatullahi wa barakatuh.

Ketua Komite Teknis

Dr-Ing. Edi Legowo

Sambutan Deputi Kepala Bidang TIEML

2. Estimasi Karakteristik Propagasi Gelombang Elektromagnetik pada Sistem

5. Analisis Aerodinamika Efek Railing dan Ketinggian Dek pada Jembatan

8. Evaluasi Penggunaan Program MS Excel dalam Menyusun Formulasi Ransum

9. Aplikasi Jaringan Saraf Tiruan (Artificial Neural Network/ANN) Sebagai Alternatif

11. Pemodelan Pengaruh Knowledge Management untuk Pengembangan

14. Algorithma untuk Deteksi QRS Sinyal ECG

PENGEMBANGAN HEMISPHERE STRUCTURE OF

In a research for a development of a 3D face recognition system, a novel structure

Keywords: Sistem Pengenal Wajah 3-D, jaringan perceptron lapis jamak,

1. PENDAHULUAN penghalusan dan lain sebagainya [5-7]. Akan

Para peneliti kemudian ingin menggunakan Algoritma Genetika untuk

dimensi citra wajah, yaitu n, sehingga disebut

Pada GA, parameter permasalahan

Operator-operator evolusi tersebut diterapkan sehingga merepresentasikan sebuah solusi. Cara

2.4 Pengembangan Hemisphere-Hidden Layer

Seperti telah dibahas sebelumnya, Pemakalah

Gb 6. Hasil pembuatan gambar 3 Dimensi dari seorang model

♦ Konvertor format citra: untuk mengkonversi dilakukan menunjukkan peningkatan derajat

RIWAYAT PENULIS pada Fakultas Pascasarjana pada tahun 1986

Pemodelan dan Simulasi Antrian Kendaraan

Keywords: traffic simulator, queing system, highway gate traffic modelling

Pendahuluan kecepatan rendah, sehingga gas buang yang

Gambar 1: Model antrian kendaraan di gerbang tol

ini dapat diimplementasikan dengan membuat

Pada dasarnya, dengan menyediakan struktur

Sebuah simulasi sistem antrian 2,4,2 (terdiri dari

Gambar 3: Simulasi sistem antrian gerbang tol 2,4,2

Kesimpulan [Wal91] B. Walke, Datenfernver-arbeitung II:

ESTIMASI KARAKTERISTIK PROPAGASI GELOMBANG

Keyword : Multipath, Physical Optics, Wave Propagation Modeling, Mobile

yang dipancarkan dari suatu antenna pemancar

dengan menggunakan metode superresolution k 0W

Gambar 2 Pola Medan Radiasi Antena Pemancar

2.3. Propagasi Vektor

k 0 hWE 0 e jk0 r  sin( X ) sin( Z ) 

k0h J po = (1 + α )nxH (5)

Untuk merepresentasikan suatu sistem komunikasi

Gambar 3 Strategi Simulasi

Gambar 3 menunjukkan strategi dari kedua tahap

3.1.1. Direction of Arrival (DOA)

Gambar 5 Signal Parameter untuk Sudut Azimuth

Delay time digunakan juga untuk

Gambar 10 Perbandingan time delay dan path

specular Wave Scattering from Building RIWAYAT PENULIS

Pengaruh Ukuran Butir Terhadap Kuat Fatik Baja:

DR- Ing. H. Agus Suhartono

Keywords: simulasi, besar butir, retak mikro, fatik

1. PENDAHULUAN yang mengakibatkan terjadinya batas kristal atau

σ y = tegangan luluh atas, tengah dan bawah dapur selain

2.2 Metode Penelitian da

penggabungan antar retak (5). Pada simulasi ini

Hasil perhitungan besar butir terhadap foto

Tabel 1 : Hasil perhitungan besar butir.

No. Specimen D (µm) G (ASTM)

Pada suhu anneal 930oC didapat diameter