Prosiding

Semiloka Teknologi Simulasi dan
Komputasi serta Aplikasi 2004

Perkembangan Simulasi dan Komputasi dalam
Industri di Indonesia Saat Ini

Jakarta, 30 Nopember 2004

























Diselenggarakan oleh:
Pusat Pengkajian dan Penerapan Teknologi Informasi dan Elektronika
Kelompok Teknologi Integrasi Sistem Jaringan Komputer dan Komputasi


ISBN: 979-95965-7-2
Switch
Node Master
Node 1
Node 3
Node 2
Other
network
Switch
Node Master
Node 1
Node 3
Node 2
Other
network
Switch
Node Master
Node 1
Node 3
Node 2
Other
network
C
S
E
omputational
cience &
ngineering

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
iii

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
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
iv

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
v
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)

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
vi
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
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
vii
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
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
viii

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
1
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

Sistem Pengenal Citra 3-Dimensi (3D)
sekarang ini sedang banyak diteliti dan
dikembangkan, terutama karena kegunaannya
dalam sistim multimedia dan pengenalan pola
[1,2]. Masukan dalam Sistem Pengenal Citra 3D ini
biasanya merupakan beberapa citra dua dimensi
yang di ambil dari pelbagai posisi disekitar objek 3
dimensi tersebut, sehingga menyulitkan Sistem
Pengenal Citra 3D untuk dapat mengenal citra
yang sama tetapi dengan sudut pandang citra
yang berbeda saat dilakukan proses
pembelajarannya. Masalah lain yang berkaitan
dengan tingkat kesulitan Sistem Pengenal Citra 3D
ini adalah besarnya alokasi memori yang
diperlukan untuk merekam citra 2 dimensi
tersebut, dan apabila kita juga harus memasukkan
efek dari arah penyinaran objek, maka akan
semakin besar alokasi memori yang diperlukan.
Para peneliti telah berusaha untuk dapat
menyelesaikan permasalahan ini [3,4], dan
beberapa diantaranya menggunakan teknik pra-
pengolahan citra seperti deteksi tepi, operasi
penghalusan dan lain sebagainya [5-7]. Akan
tetapi, karena prosedur diatas dapat meningkatkan
biaya operasional tanpa disertai dengan tingkat
pengenalan yang tinggi, maka alternatif
pendekatan lain kemudian dicari, untuk dapat
meningkatkan kemampuan pengenalan sistim
tanpa menambah alokasi memori serta menekan
biaya komputasional sistim pengenalannya.
Penelitian mengenai Sistim Pengenal Wajah
telah banyak dilakukan para peneliti didunia [1]-[9]
yang kebanyakan dilakukan untuk wajah-wajah
dengan pandangan depan (quasi-frontal view-
faces). Kirby dan Sirovich [7] telah mengajukan
metodologi dekomposisi dari citra wajah
(eigenspace model) yang kemudian
dikembangkan oleh beberapa peneliti lain untuk
mendapatkan hasil yang lebih baik [8]-[9]. Metoda
eigen-face ini dilakukan dengan mengekstrak
informasi ciri dari sekumpulan citra wajah dengan
menggunakan Transformasi Karhunen-Loeve
(KLT) [10]. Transformasi ini digunakan untuk dapat
memproyeksikan sejumlah besar data kedalam
ruang eigen dengan jumlah dimensi yang lebih
kecil dari pada dimensi semula.
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
2
Para peneliti kemudian ingin
mengembangkan Sistim Pengenal Wajah ini untuk
dapat mencakup juga wajah yang dilihat dari sisi
yang berbeda, tidak hanya dari depan saja. Dapat
dikatakan bahwa pengenalan wajah secara 3
dimensi ini dapat dilakukan dengan menggunakan
beberapa citra wajah 2 dimensi dengan sudut
pandang yang berbeda [11][12], akan tetapi hingga
sekarang belum didapatkan kemampuan
pengenalan yang baik. Terdapat beberapa
metodologi yang dikembangkan untuk dapat
mengenali citra wajah 3 dimensi dalam beberapa
tahun belakangan ini.
Nevatia dan Binford mengembangkan
sebuah metodologi berdasarkan ‘generalized
cylinders [13], sedangkan Faugeras dan Hebert
mengajukan metoda ‘geometric matching using
points, lines and planes’ [14]. Horand dan Bolles
mengembangkan penelitian untuk mengenali dan
menentukan posisi objek 3 dimensi berbasis’
object-specifik features’ seperti bentuk lingkaran,
busur dengan teknik pengenalan sisi-tepi citra [15].
Pentland dan rekan dari MIT mengajukan metoda
pengenalan 3 dimensi menggunakan teknik
multiple-eigenspace dan melaporkan pengenalan
rata-rata sebesar 83 % apabila menggunakan
wajah dengan sudut pandang yang berbeda
dengan pelatihannya [16].
Miyanaga et al [17] menggunakan jaringan
neural buatan untuk dapat mengenal objek 3D.
Pada prinsipnya, Miyanaga menggunakan jaringan
perceptron lapis jamak yang telah dimodifikasi
pada lapis tersembunyinya, yaitu dengan
mengganti setiap neuron dengan sebuah lingkaran
berisi beberapa buah neuron, sehingga
membentuk lapis tersembunyi berbentuk silinder
yang dinamakan sebagai Cylindrical Structure of
Hidden Layer Neural Network (CSHL-NN). Akan
tetapi dalam penggunaan jaringan neural ini, kita
harus mengasumsikan bahwa sudut pandang
pada citra uji telah diketahui terlebih dahulu, serta
mendapatkan tingkat ketelitian dibawah 75 % [18].
Berkaitan dengan kelemahan sistem
pengenal objek 3D yang dikembangkan oleh
Miyanaga et al, pemakalah kemudian
mengembangkan Sistem Pengenal Sudut
Pandang Citra Wajah 3D dengan menggunakan
Nearest Feature Lines Method [18] sebagai
subsistem dari CSHL-NN yang dikembangkan.
Pemakalah juga telah menggunakan sistem ini
sebagai Sistem Pengenal Wajah 3D,
menggunakan metoda eigenspace, yang dapay
meningkatkan derajat pengenalan menjadi sekitar
86%.
Seperti kita ketahui, bahwa pada jaringan
perceptron lapis jamak, jumlah neuron yang
meningkat akan memperbesar error (galat) dari
sistem jaringan ini, sehingga Pemakalah kemudian
menggunakan Algoritma Genetika untuk
menghilangkan sejumlah neuron yang memberi
kontribusi negatif terhadap tingkat pengenalan
sistem. Algoritma genetika ini akan mencari dan
mengeliminasi sejumlah neuron dan dengan
menggunakan struktur jaringan yang sudah
teroptimasi ini, tingkat pengenalan Sistem
Pengenal Wajah 3D ini meningkat menjadi 97,2%.
Dalam makalah ini akan dikemukakan
pengembangan jaringan neural dengan struktur
baru lapis tersembunyi, yang dinamakan sebagai
Hemisphere Structure of Hidden Layer Neural
Network (HSHL-NN). Kita juga akan menurunkan
persamaan matematik untuk menghitung nilai
aktivasi neuron lapis tengah, dan
mengaplikasikannya dalam Sistim Pengenal
Objek-Wajah secara 3 dimensi.

2. SISTEM PENGENAL WAJAH SECARA 3
DIMENSI

Suatu obyek tiga dimensi dapat dikenali
dengan memanfaatkan sejumlah citra acuan dua
dimensi yang merupakan variasi penampakan
terhadap obyek tersebut, misalnya, berdasarkan
variasi sudut pandang pengamatan yang berbeda.
Dari berbagai percobaan, diketahui bahwa sistem
penglihatan manusia menggunakan lebih dari dua
buah citra penampakan suatu obyek, yaitu sekitar
20 hingga 100 buah citra, untuk dapat
merepresentasikan citra gambar 3D yang
diamatinya. Data citra tersebut digunakan untuk
melakukan generalisasi penampakan baru,
sebagai hasil interpolasi dari penampakan yang
sudah ada [8]. Sistim pengenal wajah 3D yang
dikembangkan penulis juga mengacu pada asumsi
dasar tersebut.
Metode pengenalan objek 3 dimensi melalui
citra 2 dimensi dari berbagai sudut pandang telah
dikembangkan dengan menggunakan arsitektur
jaringan neural multi-lapis dengan lapis
tersembunyi berbentuk silindris. Metologi
pembelajaran yang dipergunakan untuk merubah
nilai bobot dan bias dari setiap pola keterhubungan
antar neuron dilakukan dengan menggunakan
metode pelatihan propagasi balik. Jaringan neural
buatan ini kemudian dinamakan sebagai
Cylindrical Hidden Multi-Layer Perceptron Back
Propagation (CHMLP-BP).

2.1 Pengembangan Cylindrical Structure of
Hidden Layer Neural Network (CSHL-NN)

Seperti telah dibahas dalam pendahuluan,
maka jaringan perceptron lapis jamak biasa sangat
sulit untuk dapat melakukan pengenalan objek 3
dimensi dengan tingkat pengenalan yang tinggi.
Untuk dapat meningkatkan kemampuan sistim, kita
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
3
menggunakan modifikasi struktur lapis
tersembunyi dalam arsitektur perceptron lapis
jamak. Modifikasi struktur ini dilakukan dengan
mengganti setiap neuron dalam lapis tersembunyi
JST perceptron lapis jamak konvensional dengan
beberapa neuron yang membentuk sebuah
lingkaran. Dengan demikian maka dalam sistim
JST perceptron lapis jamak yang baru, lapis
tersembunyi nya merupakan tumpukan dari
sekumpulan neuron berbentuk lingkaran seperti
dapat dilihat dalam Gb.1, sedangkan Gb.2
menunjukkan apabila lapis tersembunyi terbentuk
dari sejumlah lingkaran yang akan membentuk
sejumlah silinder sebagai lapis tersembunyinya.
Lapis masukan dari sistim perceptron lapis
jamak ini, seperti dalam sistim perceptron lapis
jamak konvensional, terdiri dari sekumpulan
neuron dengan jumlah sama besar dengan jumlah
pixel dalam citra gambar masukan. Jumlah neuron
dalam lapis keluaran sistim JST ini juga sama
dengan sistim perceptron lapis jamak
konvensional, terdiri dari beberapa neuron yang
berkaitan dengan jumlah objek yang sedang
diamati. Dalam percobaan yang akan dilakukan
disini, maka sudut pengamatan citra objek diambil
dengan sudut pandang yang bergerak dari -90
0

sampai dengan 90
0
dengan interval 10
0
.
Sistim jaringan perceptron lapis jamak
dengan lapis tersembunyi berbentuk silinder ini
dikembangkan untuk dapat mengenali objek 3
dimensi melalui image 2 dimensi, dengan
melibatkan informasi sudut pandang pengamat
untuk dapat digunakan dalam proses
pembelajaran sistim maupun pengenalannya.
Metoda ini menggunakan pasangan berarah
antara vektor sudut pandang citra 2 dimensi
dengan vektor posisi neuron pada lapis
tersembunyi untuk dapat menghasilkan sebuah
faktor yang berperan dalam menentukan besarnya
perubahan bobot dari neuron dalam lapis
tersembunyi tersebut.
Kedua vektor anggota pasangan berarah
yang digunakan adalah : 1) Vektor Sudut
Pandang d(k) yang menunjukkan arah dan sudut
pandang dari pusat objek 3 dimensi ke posisi
kamera terhadap suatu acuan, dan 2) Vektor
Posisi Neuron v
s
yang menunjukkan arah dari
pusat linkaran neuron terhadap neuron tertentu
pada sub lapis tersembunyi.
Kedua buah vektor anggota pasangan
berarah tersebut akan menghasilkan dua faktor
tambahan yang dinotasikan dengan fa
h
dan fb
h
.
Kedua faktor tambahan ini, yang mengkaitkan
antara kedua vektor pasangan berarah,
merupakan faktor yang sangat penting dalam
menentukan besar perubahan bobot pada
algoritma pembelajaran dan pengenalannya [19].
Jumlah sub lapis pada lapis tersembunyi
yang optimal adalah sama dengan jumlah objek 3
dimensi yang akan dikenali. Pada realisasi awal
sistem CSHL-NN yang dikembangkan, jumlah
node pada setiap sub-lapis tersembunyi adalah
sama dengan jumlah image yang dilatihkan
(jumlah vektor sudut pandang yang dilatihkan)
untuk setiap objek 3 dimensi yang akan dikenali.
Namun sistem awal CSHL-NN ini mengamati objek
3D dari arah satu lingkaran penuh (0
0
sampai
dengan 360
0
), sedangkan pada penelitian ini
hanya akan dilakukan pengamatan dari bagian
separuh depan objek 3 dimensi saja.

2.2 Reduksi Dimensi dengan Metode Eigenface

Misalkan learning set terdiri dari N citra
wajah : {x
1
, x
2
, …, x
N
}, masing-masing terdiri dari n
pixel, dimana n = lebar*tinggi citra. Asumsi bahwa
setiap citra merupakan anggota salah satu dari C
kelas citra wajah : {X
1
, X
2
, …, X
c
}. Setiap citra
dapat direpresentasikan sebagai vektor baris x
i
, i =
1...N, berdimensi n. Nilai n merupakan dimensi
ruang citra, sehingga x
i
berada dalam ruang citra
berdimensi n. Rata-rata vektor citra, µ, dapat
diperoleh melalui persamaan berikut :

=
=
N
i
i
x
N
1
1
µ
Selisih vektor citra dengan rata-rata vektor
adalah :
µ − = Φ
i i
x
dengan i = 1...N. Matriks kovarian S
T
, disebut juga
sebagai matriks total-scatter citra, didefinisikan
sebagai:
A A S
T
T
= dengan A = [Φ
1
, Φ
2
, …, Φ
N
].
Transformasi Karhunen-Loeve atau PCA
terhadap vektor citra akan menghasilkan vektor-
vektor ciri yang memiliki total-scatter :
T
T
W WS
dengan W adalah matriks tranformasi. Matriks
transformasi W yang dipilih adalah matriks dengan
kolom-kolom ortonormal yang dapat
memaksimalkan determinan dari total-scatter
vektor-vektor ciri. Atau :
| | max arg
T
T
W
W WS W =
= [w
1
; w
2
; …; w
m
]
dengan w
i
, i = 1…m, adalah kumpulan vektor
eigen dari S
T
(dalam bentuk vektor baris) yang
bersesuaian dengan m nilai eigen terbesar.
Vektor-vektor eigen ini, yang disebut juga pricipal
components, memiliki dimensi yang sama dengan
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
4
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 :
T
i i
W y Φ =
dengan i = 1...N. Dengan demikian, dapat
diperoleh vektor ciri berdimensi m untuk masing-
masing citra. Besarnya nilai m dapat ditentukan
melalui persamaan berikut :










> =


=
=
θ
N
i
i
r
i
i
r
d
d
m
1
1
min
dengan θ adalah suatu nilai ambang atau
threshold dan memenuhi persamaam 0 <
threshold ≤ 1.
Urutan langkah-langkah proses pengenalan
objek wajah 3 dimensi menggunakan CSHL-NN
berbasis metode Eigenface adalah seperti berikut:
1. Pengambilan citra wajah dari objek wajah 3
dimensi.
2. Reduksi dimensi citra wajah dengan metode
Eigenface
3. Tahap pelatihan CHSHL-NN.
4. Tahap pengujian CHSHL-NN.

Citra wajah ini bergerak dari –90
0
hingga +
90
0
dengan interval setiap 15
0
. Dapat pula dilihat
bahwa citra wajah ini juga mengandung
perubahan emosi seperti : normal, senyum, marah
dan sedih. Secara keseluruhan, 5 sampai 10
orang lelaki dan perempuan akan digunakan
sebagai sampel. Semua sampel citra wajah
merupakan orang Indonesia, dan proses
pengambilan gambar akan menggunakan
peralatan yang ada dalam Lab. Kecerdasan
Komputasional Fakultas Ilmu Komputer UI
















Gb. 1. Arsitektur Dasar CSHL Tunggal
Gb. 2 Arsitektur Lapis Tersembunyi Jaringan
CSHL Jamak

2.3 Penggunaan Algoritma Genetika untuk
CSHL-NN

Algoritma Genetika (Genetic Algorithms
/GA) merupakan sebuah algoritma pencarian yang
dikembangkan berdasarkan mekanika seleksi
alami dan genetika alami oleh Holland [20] dan
kemudian dilanjutkan oleh Goldberg [21]. Prinsip
evolusi melalui seleksi alami yang dicetuskan
Charles Darwin, adalah :
1. Setiap individu cenderung menurunkan sifat–
sifatnya kepada keturunannya.
2. Alam membentuk individu – individu dengan
sifat yang berbeda–beda.
3. Individu–individu yang beradaptasi dengan
baik, yang memiliki sifat–sifat terbaik
cenderung memiliki keturunan lebih banyak
daripada yang memiliki sifat–sifat tidak baik.
Mereka kemudian mendominasi populasi
sehingga secara keseluruhan menuju sifat–
sifat yang lebih baik.
4. Setelah periode yang panjang, variasi yang
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
evolusi, seperti selection, crossover, dan mutation.
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
5
Operator-operator evolusi tersebut diterapkan
pada setiap kromosom. Dalam mencari string
individu yang terbaik, GA menggunakan fungsi
objektif dari masing-masing kromosom individu.
Pemilihan solusi-solusi untuk membentuk solusi-
solusi baru didasarkan pada nilai fitness mereka.
Semakin tinggi nilai fitness, semakin tinggi
kesempatan mereka untuk bereproduksi.
Hal tersebut diulang-ulang sampai suatu
kondisi tercapai, misal : tercapainya sejumlah
generasi, atau ditemukannya satu solusi dengan
nilai fitness yang diinginkan.
Outline dari Algoritma Genetika
1. [Start] Buat secara acak sebuah populasi
yang terdiri n kromosom.
2. [Fitness] Hitung nilai fitness f(x) untuk tiap
kromosom x dalam populasi tersebut .
3. [New population] Buat sebuah populasi baru
dengan cara melakukan proses a-d secara
berulang-ulang hingga terbentuk sebuah
populasi baru.
- [Selection] Pilih dua kromosom ,yang akan
bertindak sebagai parent, dari populasi
lama berdasarkan nilai fitness-nya
(semakin besar nilai fitness, semakin
besar kemungkinan terpilih)
- [Crossover] Berdasar nilai probabilitas
crossover, lakukan persilangan dua buah
parent untuk membentuk dua buah
kromosom baru (children). Jika
berdasarkan nilai probabilitas, tidak
dilakukan persilangan, maka dua buah
kromosom baru yang dihasilkan adalah
kopi dari dua buah kromosom lama.
- [Mutation] Berdasarkan nilai probabilitas
mutasi, lakukan mutasi pada dua buah
kromosom baru pada tiap lokus (posisi
dalam kromosom).
- [Accepting] Letakkan dua buah kromosom
baru dalam populasi yang baru.
4. [Replace] Populasi yang baru terbentuk
digunakan untuk menggantikan populasi yang
lama dalam proses selanjutnya.
5. [Test] Jika kondisi akhir terpenuhi (sejumlah
generasi telah terbentuk atau nilai fitness
yang diinginkan telah terbentuk) hentikan
proses dan solusi terbaik dalam populasi
terakhir adalah solusi yang dicari.
6. [Loop] Kembali ke langkah 2

Seperti yang terlihat pada outline Algoritma
Genetika di atas, crossover dan mutation adalah
bagian-bagian yang paling penting dalam
algoritma genetika. Sebelum masuk ke dalam
penjelasan tentang crossover dan mutation,
berikut ini akan dijelaskan beberapa hal tentang
pengkodean kromosom. Kromosom dikodekan
sehingga merepresentasikan sebuah solusi. Cara
yang paling umum dipakai untuk pengkodean
adalah string biner. Tiap kromosom mempunyai
sebuah string biner. Tiap bit dalam string
merepresentasikan beberapa karakteristik dari
solusi atau keseluruhan bit dalam kromosom
merepresentasikan sebuah bilangan. Ada
beberapa cara lain pengkodean, tergantung dari
persoalan yang akan dipecahkan. Contoh cara lain
adalah : string yang berisi integer atau real.
Algoritma Genetika untuk optimasi neuron
lapis tersembunyi
Penggunaan algoritma genetika dalam
optimasi jaringan neural buatan dilakukan untuk
mendapatkan jumlah neuron pada lapis
tersembunyi yang mendekati optimal. Seperti kita
ketahui, tingkat pengenalan jaringan neural yang
tinggi akan didapat apabila seluruh neuron
mempunyai selisih error yang sangat kecil, baik
error positif atau negatif akan memnyebabkan
tingakt pengenalan menjadi menurun. Apabila
sejumlah neuron yang memberikan kontribusi error
yang besar dapat dihilangkan, sedangkan yang
mempunyai selisih error kecil saja yang
dipertahankan, maka jaringan neural ini dapat
diharapkan untuk memberikan tingkat pengenalan
yang lebih tinggi. Penhilangan neuron yang kurang
bermanfaat ini dapat dilakukan dengan dua cara,
yaitu dengan membuang sejumlah bobot dari
setiap neuron yang memberi kontribusi selisih
error yang besar, atau dengan membuang
sejumlah neuron yang berarti membuang seluruh
bobot keterhubungan dari neuron yang kurang
bermanfaat ini. Dalam penggunaan algoritma
genetika untuk optimasi jaringan neural CSHL dan
HSHL, pendekatan pertama melalui optimasi
bobot menunjukkan hasil yang tidak memuaskan,
sehingga penelitian difokuskan ke pendekatan
kedua yaitu optimasi jumlah neuron pada lapis
tersembunyi. Pengkodean kromosom yang dipakai
adalah string biner, dengan tiap bit dalam string
kromosom merepresentasikan sebuah neuron. Bit
yang bernilai 1 merepresentasikan neuron yang
dipertahankan dan bit yang bernilai 0
merepresentasikan neuron yang dibuang.
Kromosom 1 menyatakan bahwa neuron ke - 1, 2,
4, 5, 6, 7, 12, 13, 14, 15 dipertahankan dan neuron
ke – 3, 8, 9, 10, 11, 16 dibuang. Operator
crossover yang dipakai adalah Roulette Wheel
Selection, Crossover dengan satu titik
penyilangan, mutation.
Nilai-nilai parameter GA yang digunakan
adalah :
- Jumlah populasi = 60
- Nilai probabilitas crossover = 0.6
- Nilai probabilitas mutation = 0.0333
- Jumlah generasi = 100
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
6
- Jumlah neuron yang terbuang pada awal
proses = 50%
Fungsi fitness
Fungsi fitness yang dipakai sama dengan
optimasi bobot, yaitu banyaknya neuron yang
terbuang dibagi nilai error.
( )
error
tebuang yang node Jumlah
x f
_ _ _
=


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 – 90
0
hingga +90
0
. Akan tetapi, penelitian
ini masih mempunyai keterbatasan untuk dapat
mengenal wajah 3-D yang sebenarnya terjadi
dalam penggunaannya. Batasan yang dibuat
dalam penelitian ini adalah bahwa sudut elevasi
citra wajah yang akan dikenali harus berada atau
dianggap sebagai 0
0
, sehingga apabila kamera
yang mengambil citra masukan mempunyai sudut
pandang elevasi tidak sama dengan 0
0
, 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
sebagai Hemisphere Structure of Hidden Layer
Neural Network (HSHL-NN). Struktur HSHL-NN
ini dapat dilihat dalam Gb.3. Terlihat disini bahwa
setiap neuron dalam lapis tersembunyi jaringan
neural buatan konvensional, akan diganti dengan
sekumpulan neuron yang membentuk struktur
setengah bola. Apabila kita menggunakan
sekumpulan setengah bola yang masing masing
terdiri dari sekumpulan neuron untuk mengganti
sebuah neuron pada jaringan neurl propagsi balik
konvensional, maka kita akan mendapatkan
sebuah jaringan neural HSHL seperti tertera pada
Gb. 4. Perlu diketahui, bahwa penelitian mengenai
Pengembangan Sistim Hardware untuk Sistim
Pengenal Wajah 3-D ini juga telah dikembangkan
bersamaan dengan pengembangan struktur lapis
tersembunyi HSHL-NN, penurunan perumusan
matematik yang mengkaitkan antara setiap neuron
dalam struktur lapis tengah HSHL-NN dan
pengembangan algoritma Sistim Pengenal Wajah
berbasis HSHL-NN.



Gb. 3. Arsitektur Dasar HSHL Tunggal




Gb. 4 Arsitektur Lapis Tersembunyi Jaringan
HSHL Jamak

2.5 Pengembangan Perangkat Keras Sistem
Pengenal Wajah 3D Berbasis HSHL-NN

Perangkat keras yang dipergunakan dalam
penelitian ini terdiri dari Perangkat Keras
‘Capturing Device’ dan Perangkat Keras Komputer
untuk menyimpan basis data yang didapat dari
Perangkat Keras Capturing Device. Perangkat
keras Capturing Device merupakan perangkat
keras yang didesain dan dibuat oleh peneliti pada
Lab. Kecerdasan Komputasional, yang kemudian
kita hubungkan dengan perangkat keras komputer.



Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
7

















(a)

Gb 5a. Capturing device dan posisi kamera yang
dapat diubah menyesuaikan dengan data yang
akan dipakai

Gb 6. Hasil pembuatan gambar 3


Perangkat Keras Capturing Device.

Perangkat keras Capturing device ini terdiri dari:
1 unit alat tempat pengambil citra objek
(capturing device) untuk meletakkan objek yang
akan diambil citranya (dalam hal ini manusia).
3 kamera dipasang pada capturing device pada
sudut 0, 15, dan 45 derajat vertikal. Kamera
tersebut dihubungkan dengan 2 unit SUN Unix
workstation.

Cara kerja Perangkat Keras Capturing
Device dapat dijelaskan sebagai berikut. Obyek
didudukkan di kursi capturing device kemudian
obyek diambil citranya untuk 19 sudut, yaitu sudut
–90, -80, -70, -60, -50, -40, -30, -20, -10, 0, 10, 20,
30, 40, 50, 60, 70, 80, dan 90 derajat horizontal.
Tiga kamera akan menangkap citra dalam 3 sudut
vertikal yaitu 0, 15, dan 45 derajat. Jadi untuk tiap
obyek, citra yang ditangkap adalah 19 * 3 = 570
citra yang berformat .pcx.


















(b)

Gb 5b. Sistem hardware untuk Sistem Pengenal
Wajah sedang dipergunakan untuk membuat
database dari seorang model

Dimensi dari seorang model


Gambar 5 memperlihatkan posisi kamera dan cara
kerja perangkat keras Capturing Device ini,
sedangkan salah satu hasilnya dapat dilihat pada
Gb. 6.

Perangkat Keras Komputer

Perangkat keras yang digunakan, terdiri dari
♦ 2 unit SUN Sparc Station 4 untuk menangkap
citra.
♦ 3 unit SUN Camera II untuk mengambil citra
objek.
♦ 3 unit Komputer untuk memproses citra yang
telah diambil

Perangkat Lunak Komputer

Untuk dapat menjalankan seluruh proses
pengambilan data dan penyimpanannya dalam
perangkat keras komputer, maka beberapa
perangkat lunak yang dipergunakan dapat
dijelaskan sebagai berikut.

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
8
♦ Konvertor format citra: untuk mengkonversi
berkas citra dengan format sun raster menjadi
berkas dalam format pcx yang kemudian
diubah ke dalam format vektor citra.
♦ Pengganti nama berkas : untuk mengubah
nama file secara otomatis (batching).
♦ Perangkat lunak grafis (Adobe Photoshop, MS
Paintbrush): untuk proses cropping citra,
membuat grafik, dan diagram.

Pada dasarnya sistem Pengenalan Wajah 3
Dimensi ini dapat dibagi menjadi lima bagian,
yaitu:
1. Sistem kamera, terdiri dari tiga buah kamera,
beserta tempat objek diambil citranya, dalam
hal ini manusia. Ketiga buah kamera tersebut
dipasang secara vertikal pada bagian kedua
alat tersebut.
2. Peubah data dari format citra pada sistim
kamera ke dalam format dalam bentuk vektor
citra. Berkas yang ditangkap oleh sistem
kamera disimpan dalam format sun raster yang
pada akhirnya akan diubah menjadi berkas
dalam format vektor citra (disimpan dalam
bentuk matriks) agar dapat diproses oleh
sistem JST
3. HSHL. Data-data tersebut dimasukkan ke basis
data melalui antarmuka basis data.
4. Perangkat lunak JST: Merupakan perangkat
lunak yang mengakomodasi Hemisphere
Structure of Hidden Layer (HSHL) Neural
Network. Perangkat lunak ini memproses data-
data citra yang sudah dalam bentuk vektor citra
yang akhirnya menghasilkan output. Perangkat
lunak ini mendapatkan data-data citra dari
basis data.
5. Antarmuka basis data dan peubah format ke
dalam bentuk eigen: Perangkat lunak ini
menjembatani user dan basis data, sehingga
user dapat memilih file data spatial yang
diinginkannya dan mengkonversinya ke bentuk
Eigen bila perlu.
6. Basisdata: Sistem basisdata menyimpan
semua data yang sudah dalam bentuk vektor
citra. Data tersebut dibuat dalam format ruang
spasial. Basisdata diakses oleh antarmuka
basis data.

3. HASIL DAN RISET LANJUTAN

Sistem Pengenal Wajah secara 3D
menggunakan HSHL-NN ini telah digunakan untuk
mengenal wajah dari beberapa model orang
Indonesia yang dilakukan di Laboratorium
Kecerdasan Komputasional Universitas Indonesia.
Pada tahap awal penelitian ini, tingkat pengenalan
sistem masih berkisar antara 50 hingga 60%. Akan
tetapi beberapa perbaikan sistem yang sedang
dilakukan menunjukkan peningkatan derajat
pengenalan sistem. Sebagai salah satu contoh,
penggunaan server hanya untuk proses
pembelajaran jaringan neural mulai memberikan
hasil yang lebih baik. Juga kita telah menggunakan
algoritma genetika untuk menentukan sejumlah
eigen vektor yang paling memberikan hasil terbaik
selama proses pembelajaran sistem. Seperti kita
ketahui, dalam penggunaan eigenface yang
diusulkan oleh Kirby dan Sirovich [7], ruang eigen
yang dibentuk hanya berdasarkan sejumlah eigen
vector dengan urutan nilai eigen terbesar saja.
Pemakalah telah menggunakan GA sebagai alat
untuk memilih sejumlah eigen vector yang optimal,
walau tidak selalu merupakan eigen vector dengan
nilai eigen terbesar yang dipilih untuk membentuk
ruang eigen. Penelitian awal menunjukan bahwa
ruang eigen yang dibentuk akan memberikan hasil
yang lebih baik, paling tidak sama besar dengan
penggunaan ruang eigen yang diusulkan
sebelumnya. Penelitian mengenai penggunaan GA
dalam menentukan sejumlah eigen vector yang
optimal ini masih terus dilaksanakan hingga saat
ini. Pemakalah juga mengusulkan untuk
memperbaiki metoda Nearest Feature Line (NFL)
dengan mengusulkan metoda Modified Nearest
Feature Line (M-NFL) dan penelitian yang
dilakukan menunjukkan bahwa terjadi peningkatan
derajat pengenalan yang cukup signifikan apabila
kita menggunakan M-NFL dalam menentukan
sudut pandang citra wajah yang tidak dikenal
sebelumnya [22]. Pada akhirnya Sistem Pengenal
Wajah 3D ini akan menggabungkan seluruh
subsistem yang dikembangkan secara terpisah
untuk di integrasikan menjadi satu kesatuan
Sistem Pengenal Wajah 3D yang tinggi tingkat
pengenalannya.

4. KESIMPULAN

Sistem Pengenal Wajah secara 3D sangat
diperlukan untuk identifikasi seseorang dalam
rangka peningkatan keamanan. Pemakalah telah
mengajukan sebuah modifikasi struktur jaringan
neural buatan yang dinamakan sebagai
Hemisphere Structure of Neural Networks (HSHL-
NN) beserta perumusan model matematik dan
perangkat kerasnya untuk dapat merealisasikan
Sistem Pengenal Wajah secara 3D ini. HSHL ini
dikembangkan dengan mengganti setiap neuron
pada lapis tersembunyi jaringan neural propagasi
balik konvensional dengan sejumlah neuron yang
membentuk setengah bola. Karena sedemikian
banyak jumlah neuron pada lapis tersembunyi, dan
tidak semua neuron memberikan kontribusi positif
terhadap peningkatan derajat pengenalan sistem
ini, maka dilakukan pemotongan sejumlah neuron
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
9
yang memberikan kontribusi negatif terhadap
pengenalan sistem. Pemotongan sejulah neuron
ini dilakukan dengan menggunakan algoritma
genetika. Studi pendahuluan menunjukkan bahwa
jaringan neural yang sudah teroptimasi ini akan
menghasilkan tingkat pengenalan yang lebih
tinggi. Juga penggunaan representasi data dalam
ruang eigen akan pula meningkatkan pengenalan
sistem secara keseluruhan. Untuk mendapatkan
representasi ruang eigen yang optimal berkaitan
dengan sejumlah data citra wajah, maka penelitian
awal menunjukkan bahwa penentuan eigen vector
yang akan digunakan tidaklah harus berdasarkan
urutan nilai eigen yang terbesar. Algoritma
genetika dapat dipergunakan untuk menentukan
sejumlah eigen vector yang paling memberikan
kontribusi tingkat pengenalan yang tinggi
walaupun tidak mempunyai urutan nilai eigen
terbesar. Hal ini disebabkan karena citra wajah
yang dibentuk dalam ruang spatial tidaklah
merupakan representasi yang ideal, karena
kemungkinan terjadinya distorsi citra pada saat
pengolahan data awal maupun pada saat
pengambilan citra itu sendiri.
REFERENSI
1. R. Chellapa, C.L. Wilson and S. Shihorey, “
Human and machine recognition of faces”,
Proceeding of the IEEE, 83(5):705-740, 1995
2. A. Samal and P.A. Iyengar, “ Automatic
recognition and analysis of human faces and
facial expressions: A survey” Pattern
Recognition, 25(1):65-77, 1992
3. D. Valentine, H. Abdi, A.J. O’Toole and G.W.
Cottrell, “Connectionist models of face
processing: A Survey, Pattern Recognition, 27
(9), 1209-1230, 1994
4. R. Brunelli and T. Poggio, “Face recognition
through geometrical features”, Proceedings of
ECCV 92, Santa Margherita Ligure, pp. 792-
800, 1992.
5. R. Brunelli and T. Pogio,”Face recognition:
Features versus template,” IEEE Trans Pattern
Analysis and Machine Intelligence, vol 15, no
10, 1042-1052, 1993.
6. I. Craw, D. Tock and A. Bennet, “Finding face
features”, Proceedings of ECCV 92, Santa
Margherita Ligure, G. Sandini, ed, Sprineger-
Verlag, pp. 93-96, 1992.
7. M. Kirby and L. Sirovich, “Application of the
Karhunen-Loeve procedure for the
characterization of human face”, IEEE Trans
PAMI, vol 12, no.1, pp. 103-108, 1990.
8. I. Craw and P. Cameron, “Face recognition by
computer,” Proc. British Machine Vision
conference 1992, 489-507, David Hogg and
Roger Boyle eds, Springer Verlag, 1992.
9. M. Turk and A. Pertland, “Face recognition
using Eigenfaces”, Proc. IEEE CCVP’91, pp.
586-591, 1991.
10. M. Loeve, Probability Theory, Princeton, N.J.
Van Nostrand, 1955.
11. S. Ullmann and R. Basri, “Recognition of linear
combination of models,” IEEE Trans. PAMI,
vol13, no.10, pp. 992-1007, 1991.
12. T. Poggio and S. Edelman, “ A network that
learns to recognize three dimensional objects,”
Nature, vol. 343, no. 6255, pp. 263-266, 1990.
13. R. Nevatia and T. O. Binford, “Description and
recognition of curved object,” Artificial
Intelligence, 8, 77-98 (1977).
14. O. D. Faugeras and M. A. Hebert, “3-D
recognition and positioning algorithm using
geometrical matching between primitive
surface,” Proc. Int. Joint Conf. Artificial
Intelligence, 996-1002 (1993).
15. P. Horand and R. C. Bolles, “3DPO’s startegy
for matching three dimensional objects in
range data,” Proc. Int. Conf. Robotics, Atlanta,
GA, USA, 75-85 (1985)
16. A. Pentland, B. Moghaddam and T. Starner, “
View-based and modular eigenspaces for face
recognition,” Proc. IEEE Conf. Computer
Vision and Pattern Recognition, Seattle, June,
1994
17. Miyanaga et al, “ A recognition system of three
dimensional objects using parallel/pipelined
nonliniear signal processing”, IEEE Proc. of
Signal Processing Symposium, pp 135-139,
1095
18. S.Z. Li and J.Lu “ Face recognition using the
nearest feature line method” IEEE Trans. On
neural networks, vol 10, no.2, pp 439-443,
1999
19. B. Kusumoputro, “3-D face reconstruction
recognition system using cylindrical hidden
layer neural networks and its optimization
through genetic algorithms”, IASTED
International Conference Artificial Intelligence
and Computational Intelligence, Tokyo, 118-
123, 2002
20. J. H. Holland, “ Adaptation in natural and
artificial systems”, Ann Arbor, University of
Michigan Press, (1975).
21. D. E. Goldberg, “Genetic Algorithm in Search,
Optimization, and Machine Learning”, Addison
– Wesley, (1989).
22. Lina and B. Kusumoputro, “Determination of 3-
D image viewpoint using modified nearest
feature line method in its eigenspace domain”,
WSEAS Transactions on Computers, Vol. 2,
No. 1, 140 – 147, 2003

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
10
RIWAYAT PENULIS
Benyamin Kusumoputro, lahir di Bandung pada
tanggal 17 Novemper 1957. Menyelesaikan
pendidikan S1 pada Departemen Fisika Institut
Teknologi Bandung pada tahun 1981, S2 pada
Departemen Elektro bidang Optoelektronika dan
Aplikasi Laser pada tahun 1984. Dia kemudian
bekerja pada PT. Phillips Development
Corporation pada tahun 1984 hingga 1986, dan
kembali ke Universitas Indonesia untuk menjadi
Staf Pengajar
pada Fakultas Pascasarjana pada tahun 1986
hingga 1995. Pada tahun 1993 mendapat gelar
Ph.d dalam bidang Biosensor pada Depertment of
Electrical and Electronic Engineering, Tokyo
Institute of Technology, Tokyo Jepang. Sejak
tahun 1995 menjadi Staf Pengajar pada Fakultas
Ilmu Komputer Universitas Indonesia, dan
mengembangkan riset dalam Bidang Kecerdasan
Komputasional yang berbasis Jaringan Syaraf
Tiruan, Algoritma Fuzzy dan Algoritma Genetika.

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
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 4
th
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

Begitu parahnya kondisi lalu lintas di kota-kota
besar Indonesia, terutama di Jakarta, sehingga
kemacetan selalu terjadi setiap hari di seluruh
bagian kota. Di pagi hari kemacetan lalu lintas
terjadi terutama di ruas-ruas jalan masuk menuju
Jakarta. Pada sore harinya, saat pulang kerja,
kemacetan dilaporkan sering terjadi di ruas-ruas
jalan di pinggir kota yang menuju ke luar Jakarta.
Sementara itu, pada akhir pekan atau hari-hari
libur, kemacetan muncul di ruas-ruas jalan yang
menjadi akses menuju pusat-pusat hiburan massal
atau daerah peristirahatan. Sejalan dengan
perkembangan pembangunan fisik di seluruh
wilayah Indonesia, kecenderungan ini tampaknya
akan terjadi dan menyebar ke berbagai daerah
lain, sehingga praktis setiap hari senantiasa terjadi
kemacetan lalu lintas di berbagai ruas jalan
perkotaan di Indonesia.
Kondisi lalu lintas yang semrawut dan kemacetan
yang parah ini telah menimbulkan berbagai
dampak negatif terhadap lingkungan dan manusia.
Saat terjadi macet pada umumnya kendaraan
hanya dapat merambat maju ke depan dengan
kecepatan rendah, sehingga gas buang yang
ditimbulkan pada suatu saat di daerah tertentu
dapat menyebabkan pencemaran udara yang
parah. Selain itu kebisingan yang terjadi saat
kondisi macet pun dapat menjadi sumber
pencemaran lingkungan yang serius. Dapat
dipahami apabila kondisi yang tidak nyaman ini
dapat meningkatkan stress baik bagi pengguna
jalan maupun bagi penduduk di sekitarnya. Dalam
jangka panjang, kemacetan lalu lintas ini dapat
menyebabkan penurunan produktifitas kerja di
semua sektor kehidupan masyarakat.

Ada beberapa faktor yang mempengaruhi
kelancaran lalu lintas di jalan raya. Yang pertama
adalah kondisi jalan raya itu sendiri. Jalan raya
yang rusak atau terlalu sempit dapat menimbulkan
kemacetan lalu lintas. Selain itu, arus masuk dan
keluar kendaraan yang melebihi kapasitas jalan
raya pun dapat menjadi penyebab kemacetan.
Tidak kalah pentingnya adalah perilaku pengguna
jalan saat berlalu lintas. Faktor lainnya adalah
rambu-rambu lalu lintas yang sering
membingungkan pelaku lalu lintas di jalanan.


11
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
Untuk mengatasi kemacetan lalu lintas, kami
tengah mengembangkan perangkat lunak simulasi
lalu lintas yang berguna untuk perencanaan lalu
lintas. Dengan perangkat lunak itu, kondisi lalu
lintas atas sebuah skema aturan lalu lintas dapat
diprediksikan sebelum diterapkan [DwiH02].

Pada makalah ini, sebagai bagian dari simulator
lalu lintas yang dikembangkan, diambil contoh
kasus antrian kendaraan yang terjadi di gerbang
tol, penulis telah membuat model situasi lalu lintas
yang berbasis pada arus masuk dan arus keluar
kendaraan. Model antrian ini telah
diimplementasikan ke dalam sebuah program
komputer, dan cukup fleksibel sehingga dapat
diterapkan untuk berbagai problem antrian, seperti
antrian di bank dan antrian di kasir-kasir toko.
Dengan program aplikasi ini kita dapat membuat
simulasi arus kendaraan di gerbang tol. Analisa-
analisa sederhana mengenai berbagai kondisi arus
kendaraan pun dapat dikerjakan dengan program
ini.

Model Antrian

Dalam bentuknya yang mendasar suatu sistem
antrian dapat digambarkan dengan sebuah model
yang terdiri dari komponen antrian dan komponen
pemroses [Wal91, Dai92]. Untuk kasus antrian di
gerbang tol, panjang komponen antrian ditentukan
oleh berbagai faktor seperti kondisi fisik jalan raya,
kondisi fisik kendaraan, perilaku pengguna jalan
raya dan arus kendaraan di jalan tol. Kondisi jalan
raya yang buruk atau penyempitan jalan dapat
menimbulkan antrian yang panjang. Kelayakan
kendaraan juga sangat mempengaruhi situasi
antrian, misalnya: mobil tua yang sudah tidak layak
pakai akan dapat memperlambat arus kendaraan
apabila tetap dipaksakan untuk digunakan di jalan
tol. Perilaku pengemudi yang kurang mentaati
peraturan berkendera di jalan tol juga dapat
memperlambat arus kendaraan. Bahkan, tidak
jarang kebiasaan para pengemudi yang jelek ini
dapat menyebabkan kemacetan total pada saat
terjadi kecelakaan.

Gambar 1: Model antrian kendaraan di gerbang tol

Komponen pemroses berfungsi menentukan cepat
lambatnya sebuah kendaraan masuk ke dalam
atau keluar dari antrian. Dalam kasus antrian di
gerbang tol kecepatan pemrosesan ini sangat
dipengaruhi oleh kecekatan petugas melayani
transaksi pembayaran tol, kecepatan
mesin/hardware pemroses dan kehandalan
software yang mendukung proses di gerbang tol.


Dalam implementasinya ke dalam program
software, sifat-sifat kedua komponen antrian
terutama ditentukan oleh dua parameter berikut:
panjang (kapasitas) antrian l dan waktu
pemrosesan t. Selain kedua faktor l dan t, arus
kendaraan yang menjadi indikator kemacetan lalu
lintas ditentukan pula oleh jumlah jalur m sebelum
gerbang tol, jumlah gerbang tol g dan jumlah jalur
n sesudah gerbang tol [Lie97]. Dalam gambar 1
ditampilkan sebuah sistem antrian di gerbang tol
yang terdiri dari jalur m = 1, n = 1 dan g = 3.

Simulasi

Struktur data simulasi dapat diturunkan dari model
yang telah disepakati di atas (gambar 1). Dengan
menentukan parameter-parameter l, t, m, n, dan g
kita dapat membuat model suatu sistem antrian di
gerbang tol.


12
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004


Gambar 2: Alur diagram untuk antrian di depan
gerbang tol

Setelah struktur data ditentukan kita masih perlu
membuat alur diagram untuk menggambarkan
perilaku sistem antrian. Sebuah contoh alur
diagram sederhana ditampilkan dalam gambar 2.
Untuk menggambarkan peralihan dari antrian
sebelum dan di dalam gerbang tol masih
diperlukan sebuah strategi efisien dalam memilih
gerbang tol dengan jumlah antrian terpendek.
Dalam sistem pemrograman berorientasi object hal
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
adalah dua konektor yang menggambarkan
peralihan arus kendaraan dari antrian di depan
gerbang tol ke dalam antrian di gerbang tol.
Angka-angka hitam di bawah setiap
kotak/lingkaran menunjukkan identitas setiap
kendaraan, sedangkan angka biru menunjukkan
waktu tunggu setiap kendaraan di dalam antrian.

Dalam simulasi sederhana ini hanya arus
kendaraan yang menjadi fokus pembicaraan. Arus
kendaraan terutama ditentukan oleh waktu
pemrosesan di gerbang tol dan rasio jumlah jalur di



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


13
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
depan gerbang tol dan jumlah gerbang yang aktif.
Hasil simulasi menunjukkan bahwa panjang
antrian yang kita inginkan sangat ditentukan oleh
arus kendaraan yang telah didefinisikan
sebelumnya (parameter t, m dan g).

Kesimpulan

Telah ditunjukkan dalam diskusi di atas bahwa
pemodelan kondisi antrian di gerbang tol telah
berhasil diimplementasikan ke dalam software
yang sederhana. Atas dasar prinsip yang mudah
dipahami, dengan membuat struktur data dan alur
diagram yang sesuai, software ini cukup fleksibel
untuk diaplikasikan pada berbagai kondisi antrian
lainnya, seperti antrian yang biasa ditemui di bank
ataupun di depan kasir-kasir supermarket. Dari
diskusi di atas dapat disimpulkan bahwa panjang
antrian yang diinginkan dapat diatur dengan
melakukan kontrol terhadap arus kendaraan
masuk dan keluar.

Daftar Pustaka
[DwiH02] Dwi Handoko, Desain Simulator
Kendaraan, Proc. KOMMIT 2002, pp. B-16 – B20,
2002

[Dai92] J. N. Daigle, Queueing Theory for
Telecommunications, Addison-Wesley, Reading,
1992

[Kra98] U. Kramer and M. Neculau,
Simulationstechnik, Hanser, Muen-chen, 1998

[Lie97] E. Lieberman and A. K. Rathi, "Traffic
Simulation", Traffic Flow Theory, Oak Ridge
National Laboratory, 1997

[Wal91] B. Walke, Datenfernver-arbeitung II:
Verkehrstheoretische Modell von Echtzeitsystemen
und Rechnernetzen, RWTH, Aachen, 1991

Riwayat Penulis

Wahyu Sediono
Lahir di Surabaya, 13 Desember 1966.
Menyelesaikan Dipl. Ing di bidang Information
Technology pada tahun 1997 dari RWTH Aachen
Jerman dan Dr.-Ing di bidang Biomedical
Engineering pada tahun 2003 dari Universitaet
Karlsruhe, Jerman. Bekerja di P3TIE.

Dwi Handoko
Lahir di Jakarta 25 April 1970.
Menyelesaikan S1, S2 di bidang
Electronic Engineering tahun
1994 dan 1996 dari Miyazaki
University, Jepang.
Menyelesaikan S3 di bidang
Electronic Engineering tahun
2001 dari Shizuoka University
Jepang. Bekerja di P3TIE BPPT. Dr. Dwi Handoko
adalah member dari IEEE.

14
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
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.

1. PENDAHULUAN
Pemodelan propagasi gelombang sangat
dibutuhkan bagi perencanaan, pembangunan dan
pengembangan sistem komunikasi bergerak. Hal
itu akan digunakan antara lain untuk memprediksi
luasan daya jangkau suatu pemancar, untuk
mengetahui efek dari multipath gelombang dan
inteferensi gelombang. Hasil riset terdahulu
menunjukan bahwa pada daerah perkotaan,
propagasi gelombang multipath banyak berasal
dari permukaan gedung
(1)
. Bagaimanapun
gelombang multipath tersebut yang menyebabkan
terjadinya penurunan pada kinerja sistem
komunikasi bergerak. Selain itu pemodelan
mikroskopik scattering pada suatu obyek sangat
diperlukan untuk memprediksi wilayah yang lebih
besar (makrokospik). Paper ini akan membahas
teknologi prediksi propagasi gelombang multipath
yang terscatter pada suatu permukaan gedung
dengan menggunakan salah satu high frequency
method yaitu Physical Optics Approximation
(POA). Metode POA ini akan digunakan untuk
menghitung arus listrik dan total kekuatan medan
listrik pada suatu permukaan gedung yang
diperoleh dari suatu gelombang elektromagnetik
yang dipancarkan dari suatu antenna pemancar
(transmitter). Dibandingkan dengan metode
lainnya seperti Method of Moment (MOM), dan
Fast Multipole Method (FMM), POA mempunyai
kelebihan lebih sederhana proses komputasinya
dan lebih pendek waktu komputasinya, akan tetapi
mempunyai akurasi perhitungan yang cukup tinggi.
Sehingga cocok untuk dipilih untuk
mensimulasikan propagasi gelombang yang
terscatter pada permukaan gedung yang cukup
luas.
Profile gedung yang akan digunakan berasal dari
model suatu gedung yang sesungguhnya dan
permukaannya terdiri dari berbagai material serta
mempunyai berbagai lekukan yang cukup
signifikan (roughness). Untuk pemodelan antena
pemancar digunakan mikrostrip antena dengan
pertimbangan bahwa permukaan gedung
menerima gelombang elektromagnetik harus dari
berbagai arah dan menscatter kembali ke segala
arah, sedangkan model sintentik rectangular
microstrip antena array digunakan pada antena
penerimanya yang mempunyai tujuan agar dapat
menerima gelombang multipath. Pada tahap akhir
simulasi dilakukan analisis signal parameter
gelombang multipath seperti Direction of Arrival
(DOA) dan Time of Arrival (TOA) dari gelombang
datang yang terscatering dari permukaan gedung
15
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
dengan menggunakan metode superresolution
yaitu 3D Unitary ESPRIT. Hasil analisis
menunjukkan bahwa tingkat akurasi signal
parameter yang diperoleh dari simulasi sangat
mendekati dengan hasil eksperimennya.

2. METODOLOGI
2.1. Profile Gedung
Profile gedung ditunjukkan pada gambar 1
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 m
2
, 0.8
x 1.5 m
2
, dan 0.85 x 1.5 m
2
, 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 1. Profile Permukaan Gedung

2.2. Medan Radiasi pada Transmiter
Gelombang elektromagnetik yang diapancarkan
dari tansmitter menggunakan rumus dibawah ini :






=
Z X
Z X
r
e hWE k
j E
r jk
.
) sin( ) sin(
sin
0
0 0
θ
π
φ







φ θ sin sin
2
cos
0 e
L k
(1)
dengan,
φ θ cos sin
2
0
h k
X = (2)
po
θ cos
2
0
W k
Z = (3)

k
0
adalah panjang gelombang, W dan L adalah
panjang patch pada antena mikrostrip, sedangkan
h adalah tinggi patch dan L
e
adalah panjang efektif
patch. Gambar 2 menunjukkan medan radiasi
antara hasil perhitungan dan hasil pengukuran
pada anechois chamber yang tidak mempunyai
perbedaan yang cukup signifikan.

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 :
∫∫
∇∇ + − =
s
ds r r G r J
k
I jk k r J r f ) ' | ( ) ' ( )
1
( ) , , , ' (
2
0
0 0
η
(4)
Dengan G(r|r’) adalah green function, r’ dan r
menyatakan masing-masing koordinat titik sumber
dan titik tujuan. Sedangkan J(r’) adalah distribusi
arus listrik pada titik tujuan.

2.4. Impedance Surface PO Current
Untuk menghitung distribusi arus listrik pada
permukaan gedung yang mempunyai berbagai
material digunakan formula impedance surface
Physical Optics (PO) Current yang dituliskan
sebagai berikut :
nxH J ) 1 ( α + = (5)
16
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
Z
Z
+

=
η
η
α (6)
0 0
/ ε µ η = (7)
dengan H adalah incident magnetic field atau
medan magnetik yang datang, α merupakan
koefisien refleksi, η adalah impedansi gelombang
pada ruang bebas, µ adalah permebilitas dan ε
adalah dielektrik konstan.

2.5. Tehnik Simulasi
Perhitungan propagasi gelombang pada
permukaan gedung dapat dibagi menjadi 2 tahap
perhitungan yaitu :
Tahap I menghitung distribusi arus listrik pada
permukaan gedung dan tahap kedua menghitung
medan listrik total pada antena penerima
(receiver).

Gambar 3 Strategi Simulasi
Gambar 3 menunjukkan strategi dari kedua tahap
simulasi yang telah disebutkan diatas, untuk tahap
I dapat diuraikan langkah-langkahnya yaitu :
• Menghitung medan radiasi untuk far-field untuk
semua sudut azimuth dan elevasi (θ, φ) pada
transmitter.
• Membuat diskretisasi permukaan gedung
menjadi elemen yang kecil.
• Menentukan elemen-elemen yang masuk
daerah iluminasi dan daerah bayangan.
• Menentukan koordinat titik pusat untuk setiap
elemen pada permukaan gedung.
• Menghitung medan listrik pada setiap titik
pusat elemen dengan menggunakan vektor
propagasi dan memasukan factor gain antena.
• Menghitung distribusi arus listrik pada setiap
elemen dengan menggunakan formula POA.
• Mengulang kembali langkah diatas untuk
panjang gelombang yang berbeda.

Sedangkan tahap II mempunyai langkah-langkah
yaitu :
• Menentukan luasan untuk pergerakan antena
penerima dan koordinat dari mikrostrip patch
• Menentukan sudut azimuth dan elevasi (θ, φ).
untuk arah antara titik koordinat patch antena
dengan titik pusat semua elemen pada
permukaan gedung
• Menghitung kuat medan listrik untuk setiap
patch pada antenna penerima dengan sumber
dari semua elemen di permukaan gedung
• Menghitung total medan listrik dengan
menjumlahkan kontribusi dari setiap elemen
dari permukaan gedung dengan memasukan
faktor dari gain antenna penerima
• Mengulangi kembali langkah diatas untuk
panjang gelombang yang berbeda
• Mengulangi kembali langkah diatas untuk
posisi yang berbeda dalam spatial region

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 4 Model spatial Scanning tampak atas

2.7. Pengolahan Sinyal

Setelah proses penghitungan kuat medan listrik
pada setiap patch dari antena penerima selesai
dilanjutkan ke proses berikutnya yaitu pengolahan
sinyal dengan menggunakan salah satu metode
superresolution yaitu 3D Unitary ESPRIT
(1) (2)

sehingga didapatkan parameter dari signal yang
diterima pada receiver. Parameter tersebut antara
lain Direction Of Arrival (DOA) yang terdiri dari
besar sudut azimuth dan sudut elevation, Time Of
Arrival (TOA) dan kuat medan listriknya.

17
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
3. HASIL DAN PEMBAHASAN
3.1. Hasil Simulasi
Setelah dilakukan proses pengolahan sinyal
dengan 3D Unitary ESPRIT, didapatkan signal
parameter untuk setiap multipath signal yang
datang. Proses simulasi akan menganalisa
karakteristik gelombang propagasi yang terscatter
dari permukaan gedung untuk 70 titik observasi.
Satu titik observasi merupakan hasil analisa dari
signal multipath yang diterima dengan
menggunakan 10 x 10 patch di antena penerima,
jadi setiap titik observasi dilakukan pengolahan
data matriks 2 dimensi dengan jumlah 100 elemen.
Sedangkan parameter signal yang diperoleh terdiri
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
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
besar sudut datangnya digambarkan dengan poin-
poin berbeda untuk setiap jenis bidang pantul.
Bagian vertikal grafik menggambarkan besar
sudutnya sedangkan yang horisontalnya
merupakan lokasi titik observasinya.

Gambar 5 Signal Parameter untuk Sudut Azimuth

Bila satu garis vertikal ditarik keatas akan
mempunyai beberapa poin, hal itu menjelaskan
bahwa dalam satu titik observasi terdapat
beberapa signal (multipath) yang datang. Nampak
sebagian besar signal yang datang mempunyai
sudut datang yang sama dengan sudut spekular
refleksi. Pada gambar 6 memperlihatkan bahwa
sudut elevasi bernilai nol, hal tersebut
menunjukkan bahwa sebagian besar signal yang
datang mempunyai sudut spekular. Sedangkan
tiga garis yang berbeda menjelaskan batas antara
jendela dengan dinding batu-bata (bricks). Tampak
pada grafik ada signal datang yang berasal dari
permukaan gedung yang terbuat dari batu bata
(bricks), bricks I berarti datang dari arah atas dan
bricks II datang dari arah bricks bagian bawah.

Gambar 6 Signal Parameter untuk Sudut Elevasi

Hasil analisis menunjukkan bahwa model
gelombang yang terdifraksi, sebagian besar
signalnya terpantul berasal dari setiap sisi dari
frame jendela yang horizontal dan vertikal atau
daerah batasan antara jendela dengan lapisan
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.

18
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

Gambar 7 Model Signal Difraksi pada farme yang
Horisontal


Gambar 8 Model Signal Difraksi pada farme yang
Vertikal

3.1.2. Time of Arrival (TOA)
Untuk mengetahui akurasi data dari parameter
signal seperti DOA dan TOA dapat dengan
membandingkan dengan hasil data eksperimen.
Gambar 9 menunjukkan hasil perbandingan antara
path gain (power) dan delay time antara data
eksperimen dan simulasi dengan metode POA
untuk bidang pantul jendela. Untuk path gainnya
kesalahan rata-ratanya adalah 7 dB. Sedangkan
untuk delay timenya kesalahannya cukup kecil..

Gambar 9 Perbandingan time delay dan path gain
untuk bidang pantul jendela

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 10 Perbandingan time delay dan path
gain untuk bidang pantul batu bata (bricks)

4. KESIMPULAN
Paper ini telah menjelaskan estimasi karakteristik
propagasi gelombang elektromagnetik untuk
aplikasi komunikasi bergerak dengan
menggunakan tehnik simulasi dengan metode
Physical Optics. Metode ini mempunyai akurasi
yang cukup signifikan, hal itu terlihat dari hasil
perbandingan signal parameter antara simulasi
dan eksperimennya. Kesalahan estimasi cukup
besar untuk permukaan gedung yang berupa
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.
2.
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).
H. Budiarto, K. Horihata, K. Haneda, and J.
Takada, ”Polarimetric Measurement of Non-
19
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
specular Wave Scattering from Building
Surface Roughness”, IEEE Antenna and
Wireless Propagation Letters, Volume 2, Issue
16, pp.242-245, 2003.
3.
4.
5.
6.
7.
J. Takada, J. Fu, H. Zhu, and T. Kobayashi,
“Spatio-Temporal Channel Characterization in
a Sub-Urban Non-Line-of-Sight Microcellular
Environment”, IEEE J. Select. Areas in
Comm., vol. 20, no. 3, pp.532-538, Apr. 2002.
H.H. Xia, H.L. Bertoni, L.R. Maciel, A.L.
Stewart an R. Rowe, “Radio propagation
Characteristic for Line-Of-Sight Microcellular
and Personal Communication”, IEEE Trans. on
Antenna and Propagation, vol. 41, no.10, pp.
1439-1447, Oct. 1993.
D. Pena, R. Feick, H.D. Hristov, and W. Grote,
“ Measurement and Modeling of Propagation
Losses in Brick and Concrete Walls for the
900-MHz Band”, IEEE Trans. on Antenna
Propagation, vol. 51, no 1., pp. 31-38, Jan.,
2003.
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.
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.
RIWAYAT PENULIS
Hary Budiarto lahir di
Surabaya pada 28 Juni
1967. Menamatkan
pendidikan S1 di Institut
Teknologi Sepuluh
Nopember (ITS) di
Surabaya tahun 1990
dalam bidang Matematika
Terapan, menyelesaikan
pendidikan S2 di fakultas
Ilmu Komputer Universitas
Indonesia Jakarta tahun 1998 dan S3 di Tokyo
Institute of Technology pada Department of
Electric and Electrical tahun 2004. Saat ini bekerja
sebagai peneliti di bidang Teknologi Informasi dan
Komunikasi di Pusat Pengkajian dan Penerapan
Teknologi Lingkungan (P3TL) BPPT, Jakarta.
Penulis juga menjadi anggota pada organisasi
profesi ilmiah IEEE, COMSOC, COST 273, IEICE
Japan dan IECI.

20
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
21
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

Pada pembebanan berulang, mikrostruktur
bahan sangat berpengaruh terhadap pertumbuhan
retak. Perbaikan dalam prediksi umur fatik, perlu
mempertimbangkan proses kerusakan secara
mikroskopis. Simulasi retak mikro,
memungkinkan verifikasi hipotesa yang ada
dengan hasil eksperimen. Selain itu parameter
yang lain seperti ukuran butir dapat diselidiki,
sehingga perbaikan umur fatik dapat dilakukan.
Pada makalah ini dibahas mengenai
simulasi dan eksperimen yang menyelidiki
pengaruh besar butir kekuatan fatik bahan.

1.1 Besar Butir

Batas butir adalah batas dua struktur
kristalografi dari kristal tunggal baja dan larutan
padat. Paduan umumnya memiliki banyak kristal
yang dapat diamati dengan mikroskop. Baja
berkristal BCC yang mengandung unsur paduan
dalam bentuk larutan padat disebut ferit. Struktur
ferit pada dasarnya adalah besi murni yang
mengandung unsur paduan dalam jumlah yang
sangat sedikit. Pada fasa tunggal bahan terdiri
atas sejumlah kristal tunggal atau butir. Semua
butir memiliki struktur kristal dan komposisi kimia
yang sama, perbedaan terletak pada orientasi
yang mengakibatkan terjadinya batas kristal atau
lebih umum disebut batas butir antar kristal atau
batas butir. Susunan atom pada batas butir sangat
tidak beraturan bila dibandingkan dengan susunan
atom dalam butir. Tampakan foto mikro 2 dimensi
dari batas butir adalah sejumlah garis, tetapi dalam
kenyataannya, batas butir merupakan permukaan
antar kristal. Pergerakan atom sepanjang batas
butir lebih cepat dibanding pergerakan atom
melalui susunan kristal. Bila dilakukan etsa, batas
butir terserang lebih cepat terhadap. oleh larutan
asam dan meninggalkan jejak dangkal pada batas
butir. Di bawah pengamatan mikroskop batas butir
yang telah dietsa tersebut tampak sebagai garis-
garis gelap
(1)
.
Batas butir sudut besar mempunyai energi
permukaan yang tinggi, dengan energi yang tinggi
ini, batas butir merupakan preferensial untuk reaksi
bahan padat (solid state reactions) seperti difusi,
transformasi fasa, dan reaksi pengendapan.
Energi tinggi dari batas butir biasanya
mengakibatkan konsentrasi atom larut yang lebih
tinggi di perbatasan dari pada di dalam butir
(1)
.

1.2 Pengaruh Besar Butir Pada Sifat Mekanik
Logam
2
1

⋅ + = D k
i y
σ σ (1)
Dimana :
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
22
y
σ = tegangan luluh
i
σ = tegangan gesek" yang merupakan
ketahanan kisi kristal tehadap
pergerakan dislokasi
k = parameter kontribusi pengerasan
relatif oleh batas butir
D = diameter butir

Persamaan Hall-Petch
(2,3)
mula-mula
disusun berdasarkan pengukuran titik luluh baja
karbon rendah, dan telah terbukti dapat
mengambarkan antara besar butir dan tegangan
alir pada berbagai harga regangan plastik hingga
perpatahan rapuh. Selain itu dapat pula
menggambarkan variasi tegangan perpatahan
rapuh dengan besar butir dan ketergantungan
kekuatan fatik pada besar butir.
Formula ini dapat memberi gambaran
tentang sifat mekanik lain misalnya kekerasan
logam yang merupakan sifat kemampuan logam
untuk menahan deformasi. Deformasi logam pada
dasarnya merupakan hasil pergerakan dislokasi.
Karena orientasi/arah bidang geser antar butir
tidak seragam, maka gerakan dislokasi akan
terhambat oleh batas butir. Makin halus ukuran
butir maka presentasi batas butir akan makin
banyak pula, sehingga ketahanan deformasi logam
akan meningkat.

2. BAHAN DAN METODE PENELITIAN

2.1 Bahan

Bahan yang digunakan pada penelitian ini
adalah baja karbon rendah jenis SC 10. Penelitian
dilakukan di UPT Laboratoria Uji Konstruksi dan
laboratorium lain yang kompeten. Pengujian yang
dilakukan meliputi: karakterisasi bahan baku,
metalografi, analisa komposisi kimia dan
penentuan sifat mekanis material.

2.2 Metode Penelitian

Pengujian komposisi kimia bahan dilakukan
untuk memastikan jenis bahan yang diuji serta
kadar masing-masing unsur, yang dapat
digunakan untuk mendukung analisa hasil
pengujian.
Untuk mendapatkan berbagai ukuran besar
butir pada struktur dilakukan proses annealing
dengan memvariasikan temperatur anneal. Sampel
dipanaskan sampai mencapai temperatur yang kita
inginkan. Kemudian temperatur ditahan selama
lebih kurang 45 menit dan selanjutnya didinginkan
perlahan di dalam dapur. Dapur yang digunakan
untuk proses anil adalah dapur yang mempunyai
tiga bagian pemanasan terkontrol yakni; bagian
atas, tengah dan bawah dapur selain
menggunakan sistem pengukur yang terpasang,
pengukuran temperatur annealing juga
menggunakan thermokopel yang ditempelkan
langsung pada specimen dalam dapur.
Temperatur annealing yang diambil dalam
penelitian adalah 930°C, 1000°C dan 1140°C.
Pengujian sifat kekerasan yang dilakukan
adalah menggunakan metode Brinnel. Indentasi
dilakukan dengan mesin Frank Finotest yang
menggunakan sistem hidraulik.
Struktur mikro logam diperoleh melalui
proses metalografi. Pengerjaan metalografi
didahului dengan proses mounting specimen, yang
dilanjutkan dengan pengamplasan yang dimulai
dengan amplas kasar 200 # hingga amplas halus
1200 #. Specimen kemudian dietsa dengan nital
3%. Perbesaran foto struktur mikro yang diambil
adalah sebesar 100 kali dan 500 kali.
Penelitian terhadap struktur mikro dilakukan
untuk mengetahui ukuran besar butir dari hasil
proses anealling.
Dalam penelitian ini bahan yang digunakan
adalah baja karbon rendah yang mendapat
perlakuan annealing, sehingga struktur mikro yang
mungkin dihasilkan adalah fasa ferit dan perlit.
Fasa ini umumnya memiliki butir dan batas yang
jelas sehingga metode yang cocok dan sering
dipakai untuk menghitung besar butir adalah
metode Planimetri (Jeffris method)
(4)
.

2.3 Simulasi

Menurut simulasi diasumsikan pertumbuhan
retak dibagi menjadi dua tahap tahap 1 dan tahap
2. Pada tahap 1, perambatan retak dipicu oleh
tegangan geser dinamis pada butir dalam material
polikristal. Perambatan retak tergantung pada
amplitudo tegangan geser dan jarak s antara ujung
retak dan hambatan mikrostruktur, (batas butir).
Persamaan pertumbuhan retak:

s A
dN
da
⋅ ∆ =
α
ω
τ (2)

dimana s jarak ujung retak dan batas butir, a dan α
adalahparameter material
(5,6)
. Pada awal simulasi
pertumbuhan retak sangat cepat, tapi saat saat
retak mencapai batas butir (s ≈ 0) kecepatan retak
berkurang hingga mendekati nol. Pada model ini
batas butir di anggap sebagai hambatan mikro
yang paling dominan.
Material polikristal dimodelkan secara dua
dimensi sebagai jaringan butir heksagonal dengan
diameter butir yang dapat divariasikan dan masing
masing butir memiliki orientasi kristal ω, Gambar 1.
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
23


Gambar 1. Simulasi: mikrostruktur, keadaan
tegangan dan orientasi tegangan
(5)


Kondisi tegangan pada bidang geser tiap
butir tergantung dari orientasi masing-masing butir
dan pembebanan yang dilakukan. Tegangan yang
dipergunakan disini adalah tegangan bidang
diperbukaan bahan. Letak nukleasi retak
dihasilkan dari generator random. Bentuk dari
bakalan retak adalah titik yang tidak memiliki
panjang, yang mewakili retak yang memiliki
panjang nol. Di simulasikan bahwa nuklesi retak
sudah ada pada awal simulasi dan pertumbuhan
butir dan pertumbuhan butir terjadi langsung saat
pembebanan pertama dilakukan..
Saat retak tahap I memiliki panjang yang
cukup untuk memungkinkan terjadinya pembukaan
pada ujung retak, mulailah terjadi perkembangan
perambatan retak tahap 2. Pada titik ini, pengaruh
mikrostruktur menjadi berkurang, dan retak dapat
digambarkan dengan mekanika continuum.
Diasumsaikan bahwa selama tahap transisi terjadi
kompetisi antara pertumbuhan butir tahap I dan
pertumbuhan butir tahap II. Persamaan
pertumbuhan retak tahap 2 yang diajukan oleh
Hobson, Brown dan de los Rios
(7)
. digunakan
pada simulasi ini,
χ β
ω
σ a B
dN
da
⋅ ∆ = (3)
dimana ∆σ mewakili tegangan tarik yang tegak
lurus terhadap bidang retak dan β, B and D adalah
parameter material yang ditentukan dari
percobaan. Parameter material yag digunakan
diambil dari Hobson
(7)
. Panjang retak pada
transisi dari tahap 1 ke tahap 2 dapat disebutkan
dengan jumlah butir yang dilewati retak. Taylor and
Knott
(8)
mengusulkan 3 butir sebagai fasa transisi
tahap 1 ke tahap 2. Pada daerah transisi
pertumbuhan retak dihitung berdasarkan nilai yang
lebih tinggi antara persamaan 1 dan persamaan 2
(5)
. Selain pertumbuhan retak akibat beban
berulang, perambatan yang sangat cepat bisa
terjadi pada eksperimen yaitu diakibatkan oleh
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.

C a B
dN
da
− ⋅ ∆ =
χ β
σ
1
(4)

Simulasi selesai bila jumlah siklus tegangan
tercapai, atau retak mikro mencapai panjang yang
telah ditetapkan. Panjang retak didefinisikan
sebagai garis lurus jarak antar kedua ujung retak.
Jika retak terbentuk dari penggabungan beberapa
retak mikro, panjang retak diwakili oleh ujung-
ujung tretak yang memiliki jarak paling jauh. Pada
simulasi ini panjang retak akhir ditetapkan 500 µm.
Simulasi ini belum mempertimbangkan retak
yang tumbuh ke arah dalam dari material. Lebih
lanjut deformasi dari mikrostruktur, pengerasan
regang dan pengaruh pembukaan retak serta
tekstur dan anisotropy material belum
dipertimbangkan.
Pelaksanaan kegiatan meliputi persiapan
material, pembuatan specimen dan komponen.
Hasil yang dicapai yaitu mengetahui mekanisme
pengaruh besar butir terhadap kekuatan dan umur
fatik dengan metode eksperimen, perhitungan dan
simulasi.

3. HASIL PENELITIAN DAN PEMBAHASAN

Hasil uji laboratorium dan hasil perhitungan
diberikan sebagai berikut:

3.1 Komposisi Kimia

Pemeriksaan komposisi kimia dimaksudkan
untuk mengetahui unsur-unsur yang terkandung
dalam material. Hasil pemeriksaan komposisi kimia,
yaitu : C 1%, Si 0,3 % Mn 1% dan S 0,5%.Variasi
komposisi kimia akibat proses annealing dan
dekarburisasi diminimalkan dengan melakukan
pengujian hanya pada penampang dalam dari
benda uji.

3. 2. Metalografi

Hasil pemeriksaan metalografi diperlihatkan
pada gambar 2 hingga gambar 4. Dari
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
24
pengamatan struktur mikro diketahui bahwa baja
yang diperiksa merupakan baja karbon rendah.
Struktur mikro terdiri atas matriks ferit diselingi oleh
sebagian kecil fasa pearlit. Pemeriksaan struktur
mikro menunjukkan bahwa annealing pada tahap
suhu lebih rendah menyebabkan rekristalisasi dan
menghaluskan butir. Pada suhu yang lebih tinggi
terjadi perkembangan besar butir .



Gambar 2. Struktur mikro baja SC 10 suhu
annealing 930
o
C, 45 menit.


Gambar 3. Struktur mikro baja SC 10 suhu
annealing 1000
o
C, 45 menit.



Gambar 4. Struktur mikro baja SC 10 suhu
annealing 1140
o
C, 45 menit.

3.3 Pengukuran Besar Butir

Pengukuran besar butir dilakukan dengan
mengolah data hasil metalografi baja yang telah
dilakukan annealing. Foto struktur mikro
menunjukkan bahwa fasa yang terjadi merupakan
fasa ferit dan sebagian kecil fasa perlit.
Pengukuran dan perhitungan besar butir
dilakukan dengan metode planimetri (Jeffris
method) yaitu menghitung besar butir persatuan
luas pada lingkaran berdiameter 79,8 mm (luas
lingkaran 5000 mm
2
)
(4)
.

Perhitungan matematis :







+ ⋅ =
2 1
2
1
n n f N
A

5000
2
M
f = (5)
6 1
10 × =

NA A
( )
3
2
1
2
1
10 × = =

NA A d
92 , 2 log 32 , 3 − ⋅ =
A
N G

Keterangan:
N
A
= banyaknya butir/luar (pcs/mm2)
F = bilangan Jeffris
M = perbesaran (x)
A = luas rata-rata butir (
2
m µ )
d = diameter butir rata-rata ( m µ )
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
2 1000 21,61 8,11
3 1140 42,18 6,18

Pada suhu anneal 930
o
C didapat diameter
rata-rata 11,54 µm. Pada suhu anneal yang lebih
tinggi yaitu 1000
o
C 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 1140
o
C
pertumbuhan butir berlanjut dengan
kecenderungan peningkatan temperatur
menyebabkan peningkatan diameter butir menjadi
42,18 µm. Secara umum dapat ditarik suatu
kecenderungan bahwa dengan peningkatan
temperatur annealing terjadi peningkatan besar
butir.

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
25
3.4 Pengujian Kekerasan

Penjejakan dilakukan pada 5 (lima) tempat
pada penampang lintang sampel hasil uji struktur
mikro yang sudah licin permukaannya. Penjejakan
pada penampang lintang sampel
Pengukuran diameter jejak arah vertikal dan
horizontal dengan menggunakan mikroskop
pengukur jejak. Nilai rata-rata hasil uji kekerasan
diberikan pada Tabel 2.

Tabel 2. Hasil Pengujian Kekerasan.

No Benda Uji BHN
1 A 930
o
C 134
2 A 1000
o
C 130
3 A 1140
o
C 136

Proses annealing mengakibatkan
penurunan kekerasan. Pada temperatur annealing
yang lebih tinggi kekerasan terus mengalami
penurunan.
Hubungan antara besar butir dan kekerasan
ditunjukkan pada Gambar 5. Bila dikorelasikan
antara ukuran butir dan sifat kekerasan maka akan
didapat kecenderungan (trend), dari gambar
tersebut tampak jelas hubungan bahwa
peningkatan diameter butir diikuti dengan
terjadinya penurunan kekerasan.

y = 150.48x
-0.0475
R
2
= 0.9999
125
126
127
128
129
130
131
132
133
134
135
0 10 20 30 40 50
Diameter Butir (mikro m)
K
e
k
e
r
a
s
a
n

(
B
H
N
)


Gambar 5. Hubungan antara Kekerasan dan
Diameter Butir.

Kekerasan merupakan sifat ketahanan
bahan terhadap deformasi plastis (indentasi).
Deformasi merupakan pergerakan dislokasi.
Pergerakan dislokasi terjadi dalam butir dengan
lebih mudah dan pada saat mencapai batas butir
dislokasi tersebut akan terhambat pergerakannya.
Hambatan terhadap dislokasi menyebabkan
penumpukan dislokasi pada batas butir.
Tumpukan tersebut menyebabkan gaya tolak yang
bekerja untuk melawan gerakan dislokasi
berikutnya. Sehingga deformasi selanjutnya akan
lebih sulit. Butiran dengan ukuran lebih kecil berarti
penghalang pergerakan dislokasi semakin banyak
dan jarak antar penghalang tersebut semakin
dekat sehingga semakin menyulitkan terjadinya
deformasi yang mengakibatkan peningkatan
kekerasan dan sifat mekanis lainnya.

3.5 Hubungan Besar Butir dan Kekuatan Fatik

Terdapat hubungan antara sifat kekerasan
dan kuat tarik. Tabor
(10)
mengajukan suatu metode
yang dapat digunakan untuk menentukan daerah
plastis kurva tegangan regangan sejati dari hasil
pengukuran kekerasan. Pada dasarnya metode
tersebut bersifat empiris, karena distribusi
tegangan yang komplek pada jejak indentasi
menghalangi hubungan yang jelas dengan
distribusi tegangan pada uji tarik maupun uji tekan.
Akan tetapi metode tersebut memperlihatkan
kecocokan pada berbagai logam, sehingga layak
untuk diperhatikan apabila situasi tidak
memungkinkan untuk melakukan pengujian tarik
logam.
Kekuatan luluh ofset 0,2% dapat ditentukan
dengan ketelitian yang baiki dari pengujian
kekerasan Vickers 2. Terdapat pula hubungan
rekayasa yang sangat berguna antara kekerasan
Brinell dengan kekuatan tarik maksimum dari
paduan baja karbon biasa dan medium yang
mengalami perlakuan panas.
Menurut DIN 50350
(11)
kekuatan tarik dapat
diturunkan dari Nilai kekerasan Vickers
berdasarkan rumus

VHN
u
⋅ = 38 , 3 σ (6)

Persamaan tersebut berlaku untuk kekerasan
antara 80 VHN hingga 650 VHN. Pada standard
DIN 50351
(11)
diberikan korelasi antara nilai
kekerasan Brinell dan kekuatan tarik yaitu:

BHN
u
⋅ = 5 , 3 σ (7)

Menunurut Hueck
(12,13)
kuat luluh pada baja dapat
dihitung dari kuat tarik berdasarkan rumus:

77 09 , 1 − =
u y
σ σ (8)

sehingga dapat digambarkan hubungan antara
kuat tarik, kuat luluh vs temperatur anil, serta
hubungan antara tegangan luluh dan besar butir
untuk menguji dan mengevaluasi apakah formula
yang diusulkan oleh Hall-Pecht
(2,3)
berlaku untuk
bahan dan keadaan yang terjadi pada penelitian
ini. Persamaan (1) merupakan persamaan yang
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
26
sangat umum dan harus digunakan secara hati-
hati.

Gambar 6. Hubungan Diameter Butir dan Kuat
luluh

Pada penggambaran regresi hubungan
kuat luluh dan besar butir, data pengujian dari baja
dalam kondisi awal (as recieved), tidak digunakan
karena dikhawatirkan baja tersebut masih memiliki
tegangan sisa hasil pengerjaan selama proses
pembuatan yang dapat mempengaruhi sifat
kekerasan dan kekuatan bahan.
Data-data untuk menggambarkan hubungan
antara kuat luluh vs besar butir atau persamaan
Hall-Petch diambil dari data pengujian dari
specimen yang mengalami proses annealing pada
suhu 930
o
C hingga 1140
o
C yang memiliki ukuran
butir relatif lebih homogen karena proses
rekristalisasi telah selesai. Hubungan antar kuat
luluh dan besar butir diberikan pada Gambar 6 .
2
1
218 370

⋅ + = D
y
σ (9)
Dimana :
y
σ = tegangan luluh
370 = “tegangan gesek" yang merupakan
ketahanan kisi kristal tehadap
pergerakan dislokasi (
i
σ )
218 = “parameter pengancing" yang
menjadi ukuran kontribusi
pengerasan relatif oleh batas butir
(k)
D = diameter butir

Pembuatan garis regresi kurva hubungan
antara kuat luluh vs besar butir disertai dengan
perhitungan koefisien determinasi, R
2
(R-squared
value) dan koefisien korelasi, R. Koefisien-
koefisien tersebut merupakan indikator apakah
nilai perkiraan yang didapat dari hasil penarikan
garis kurva (garis regresi) dengan data pengujian
memiliki hubungan yang erat. Nilai koefisien
korelasi berkisar antara 0 hingga 1. Semakin dekat
dengan 1 maka nilai perkiraan berdasarkan kurva
yang kita buat semakin dapat dipercaya
(14)
. Secara
kuantitatif dinyatakan bahwa,

• 0,90<R<1,00: hubungan sangat kuat
• 0,70<R<0,90 hubungan kuat
• 0<R<0,50 hubungan lemah dan
sangat lemah

R
2
adalah sebesar 0,99, dan nilai koefisien
korelasi R adalah sebesar 0,99. Nilai tersebut
menandakan bahwa hubungan antara besar butir
dan kuat luluh dapat diwakili oleh persamaan 9 di
atas dengan keterkaitan hubungan yang sangat
kuat.
Dari hasil ini dapat diketahui bahwa
persamaan Hall-Pecht dapat diterapkan pada
material baja karbon rendah yang telah mengalami
annealing, dengan batasan-batasan yaitu material
tersebut belum mengalami pengerjaan yang
menyebabkan pengerasan regang, dan butir yang
didapat dari hasil annealing relatif homogen.
Perhitungan kekuatan dan ketahanan fatik
dapat diturunkan dari sifat-sifat mekanis
bahan
(11,12)
. Hubungan antara fatik limit dan titik
luluh dapat dinyatakan dengan hubungan:

77 436 , 0 + =
y w
σ σ (10)

dari persamaan (10) didapat,
2
1
95 3 , 161

⋅ + = D
w
σ (11)

Hasil perhitungan ini menunjukkan
hubungan bahwa kekuatan fatik berbanding
terbalik dengan akar pangkat dua dari besar butir,
yang berarti peningkatan ukuran butir akan
menurunkan kekuatan fatik bahan.

3.6 Hasil Simulasi

Simulasi pengaruh besar butir tehadap umur
fatik dilakukan dengan data masukan sebagai
berikut.

• Amplitudo tegangan σa=254 dan 330
Mpa
• Pembebanan : tarik tekan aksial
• Kriteria kegagalan (akhir simulasi) a =
500 µm

Gambar 7 dan 8 menunjukkan perambatan
retak dalam butir akibat beban aksial tarik tekan
untuk amplitudo σa=254 dan 330 Mpa. Retak
mula-mula merambat dengan arah ϕ = ±45
o

R
2
= 0.9932
350
360
370
380
390
400
410
420
430
440
450
0 10 20 30 40 50
Besar butir (mikro meter)
K
u
a
t

l
u
l
u
h

(
M
P
a
)
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
27
sebagai retak geser dan selanjutnya berambat
tegak lurus tegangn nominal. Frekuensi
penggabungan retak tampak lebih sering pada
tegangan lebih tinggi dibanding tegangan yang
lebih rendah.Dari sini dapat dijelaskan bahwa retak
mikro yang bergabung akibat tegangan yang lebih
tinggi juga meningkat. Gambar 9 menunjukkan
bahwa dengan peningkatan besar butir umur
(ketahanan fatik) menurun, sehingga pengaruh
besar butir pada daerah fatik siklus tinggi dominan.
Penyebab dari hal tersebut adalah hambatan
mikrostruktur (batas butir) akibat meningkatnya
ukuran butir berkurang. Perambatan retak pada
butir yang lebih besar berlangsung lebih cepat
dibanding pada butir-butir yang lebih kecil, lihat
gambar 7.
Pada besar butir yang lebih kecil (45 µm)
perambatan retak didominasi olehperambatan
retak tahap 1, sedangkan pada ukuran butir yang
blebih besar (120 µm) tahp perambatan yang
paling dominan adalah perambatan retak tahap 2.
Berkurangnya ketahanan fatik akibat peningkatan
ukuran butir dalam simulasi telah dibuktikan
bedasarkan simulasi dan eksperimen serta
penelitian lain
(15, 16)
.
Bila batas simulasi adalah panjang retak
100 µm dan bukan 500 µm. ketahanan fatik akan
makin pendek akibat gradien kurva S-N yang
makin landai, bandingkan dengan
(7)
.
Gambar 10 menunjukkan bahwa dengan
berkurangnya pembebanan, fraksi kerusakan pada
tahap 1 bertambah. Peningkatan fraksi kerusakan
tahap 1 pada besar butir yang lebih kecil
cenderung bertambah di banding pada ukuran butir
yang lebih besar. Hal ini menyebabkan gradien
kemiringan kurva S-N pada ukuran butir yang lebih
kecil lebih landai disbanding ukuran diameter yang
lebih besar.
Menurut Luetc
(17)
butiran yang lebih kecil
memiliki peranan penting dalam menghambat
perambatan retak mikro. Pada umur fatik hingga
104 siklus, fraksi umur bisa dibagi menjadi 2
bagian yang sama antara kerusakan yang
diakibatkan untuk perambatan retak mikro tahap 1
dan perambatan retak tahap 2. Penurunan
ukuuran butir mengakibatkan pengurangan jarak
terhadap hambatan mikrostruktur, sehingga
tahanan terhadap perambatan retak tahap 1
meningkat. Keadaan ini dapat dijelaskan secara
memuaskan melali\ui simulasi ini, yang
menerangkan bahwa perambatan retak tahap 1
dan tahap 2 merupakan bagian menentukan dalam
menentukan umur fatik. Penurunan besar butir
menyebabkan bagian perambatan retak tahap 1
meningkat sehingga meningkatkan umur fatik.

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
28








(a) N = 25321 d = 45 µm
0
100
200
300
400
500
600
0 1 10
4
2 10
4
3 10
4
R
i
s
s
l
ä
n
g
e

a

(
µ
m
)
Schwingspiele N










(b) N = 22148 d = 60 µm
0
100
200
300
400
500
600
0 1 10
4
2 10
4
3 10
4
R
i
s
s
l
ä
n
g
e

a

(
µ
m
)
Schwingspiele N















(c) N = 12258 d = 120 µm

0
100
200
300
400
500
600
0 1 10
4
2 10
4
3 10
4
R
i
s
s
l
ä
n
g
e

a

(
µ
m
)
Schwingspiele N

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.


σ
σ
σ
Riss 1
2
3
Riss 1
2
3
Riss 1
2
Riss 1
2
Riss 1
2
3
Riss 1
2
3
Jumlah Siklus (N)
Jumlah Siklus (N)
Jumlah Siklus (N)
P
a
n
j
a
n
g

R
e
t
a
k

(
µ
m
)

P
a
n
j
a
n
g

R
e
t
a
k

(
µ
m
)

P
a
n
j
a
n
g

R
e
t
a
k

(
µ
m
)

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
29








(a) N = 3471 d = 45 µm
0
100
200
300
400
500
600
0 2 10
3
4 10
3
6 10
3
R
i
s
s
l
ä
n
g
e

a

(
µ
m
)
Schwingspiele N








(b) N = 3140 d = 60 µm
0
100
200
300
400
500
600
0 2 10
3
4 10
3
6 10
3
R
i
s
s
l
ä
n
g
e

a

(
µ
m
)
Schwingspiele N








(c) N =2691 d = 120 µm
0
100
200
300
400
500
600
0 2 10
3
4 10
3
6 10
3
R
i
s
s
l
ä
n
g
e

a

(
µ
m
)
Schwingspiele N
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.

Riss 1
2
3
Riss 1
2
3
Riss 1
2
3
Riss 1
2
3
Riss 1
2
3
Riss 1
2
3
σ
P
a
n
j
a
n
g

R
e
t
a
k

(
µ
m
)

P
a
n
j
a
n
g

R
e
t
a
k

(
µ
m
)

P
a
n
j
a
n
g

R
e
t
a
k

(
µ
m
)

Jumlah Siklus (N)
Jumlah Siklus (N)
Jumlah Siklus (N)
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
30
Gambar 9. Kurva S-N hasil simulasi untuk ukuran butir yang berbeda dengan pembebanan tarik tekan.

Gambar 10. Rasio perbandingan antara perampbatan retak tahap 1 dan tahap 2 pada masing-masing
ukuran butir.

200
300
10
3
10
4
10
5
σ
a

(
M
P
a
)
Schwingspiele N
Simulation
Beanspruchung : σ
a
Korngröße d = 45 µm,
60 µm, 120 µm
d = 120 µm
k = 5,5
k = 5,6
k = 6,8
d = 45 µm
d = 60 µm
0
1
2
3
45 60 120
Besar Butir (µm)
P
e
r
b
a
n
d
i
n
g
a
n

p
e
r
a
m
b
a
t
a
n

t
a
h
a
p

1

d
a
n

t
a
h
a
p

2

254 MPa
330 MPa
Simulasi
Besar Butir
45 µm, 60 µm,
120 µm
Jumlah Siklus (N)
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
31
4. KESIMPULAN

Dari penelitian ini dapat diambil kesimpulan
sebagai berikut:
1. Peningkatan temperatur annealing dapat
menyebabkan peningkatan besar butir dan
penurunan kekerasan, kuat luluh serta
kekuatan fatik.
2. Persamaan Hall-Pecht dapat diterapkan pada
material baja karbon rendah yang telah
mengalami annealing, dengan batasan-batasan
yaitu material tersebut belum mengalami
pengerjaan yang menyebabkan pengerasan
regang, dan butir yang didapat dari hasil
annealing relatif homogen.
3. Simulasi perambatan retak fatik mikro telah
dipresentasikan. Simulasi tersebut dibuat
berdasarkan model yang memperhitungkan
arah dan kecaepatan rambat retak, interaksi
antara retakan dengan batas butir serta dengan
retak lain demikian juga tumbukan antar retak.
Simulasi tersebut dapat menerangkan
fenomena penurunan kekuatan fatik akibat
peningkatan ukuran butir pada logam, pada
beberapa tingkat pembebanan.

UCAPAN TERIMA KASIH
Kami mengucapkan terima kasih, kepada:
Bapak Dr.-Ing. Amir Partowiyatmo, dukungannya
dalam kegiatan penelitian ini. Ir. Sekean yang telah
membantu selama penelitian ini berlangsung. Prof.
Dr-Ing. H. Zenner dari TU Clausthal Germanay dan
Dr.-Ing Kurt Poetter dari BMW AG. atas saran dan
pertimbanganya dalam penelitian ini.

DAFTAR PUSTAKA

1. French, D.N, Metallurgical Faikures in Fossil
Fired Boilers, hal 28-30, John Wiley & Sons,
New York,1983.
2. E.O. Hall, Proc Phys. Soc. London, jilid 643,
hal 747, 1951
3. N. J. Petch, NJ, J. Iron Steel Inst. London, jilid
173, hal 25, 1953
4. ASTM Standards , Section 3. Vol 3.01, Metal s
Mechanical Testing: Elevated and Low
Temperature Tests, Metalography, E112,
ASTM, Easton MD, USA, 1999
5. Suhartono, H.A., K. Poetter, A. Schram, H.
Zenner, "Modeling of Short Crack Growth
Under Biaxial Fatigue: Comparison Between
Simulation and Experiment", Multiaxial Fatigue
and Deformation.
6. Miller, K-J., 1991, Metal Fatigue – Past,
Current and Future, Proceedings of the
Institution of Mechanixal Engineers.
7. Hobson, P.D., M. W. Brown, E. R. de los Rios,
1986. “Two Phases of short Crack Growth in
medium Carbon Steel”, The Behaviour of short
Fatigue Cracks, EGF Pub. 1, K.J.Miller and
E.R. de los Rios, Ed., London, pp.441-459
8. Taylor, D., J.F. Knott, 1981, “Fatigue Crack
Propagation Behaviour of Short cracks; The
effect of Microstructure, “ Fatigue Fracture
Engginering Materials Structures 4, pp. 147
9. Socie, D., S. Furman, 1996, "Fatigue Damage
Simulation Models for Multiaxial Loading,"
Fatigue 96, Sixth International Fatigue
Congress, G. Ltitjering and H. Nowark, Ed.,
Berlin, Germany, pp.967-976.
10. Tabor, D., The Hardness of Metals, hal 67-76,
Oxford University Press, New York,1951
11. DIN 501009 (1978) Werkstoffprueffung,
Dauerschwing, Versuch, Begriffe, Zeichen,
Duerchfuehrung, Auswertung
12. Gudehus, H., H. Zenner, Leitfaden für eine
Betriebsfestigkeitsrechnung, VBFEh,VDEh,
Düsseldorf 1995.
13. Hueck, M, Thrauer, L., W. Schuetz,
Berechnung von Syntetische Woehlerlinien
fuer Bauteile aus Stahlguss und Grauguss,
Berich Nr. ABF11, VDEh, Duesseldorf, 1991
14. Budiono, W. Koster, Statistika dan Probabilitas,
PT Remaja Rosdakarya, Bandung, hal 180-
185, 2001.
15. Edgar, A., Jr. Starke, G. Lütjering: Cyclic
Plastic Deformation and Microstructure, in
Fatigue and Microstructure, American Society
for Metals, Metals Park Ohio, 1979, pp. 225
16. Lütjering, G., A. Gysler, Fatigue and Fracture
of Aluminum Alloys, in Aluminum
Transformation Technology and Applications,
Proceedings of the International Symposium at
Puerto Madryn, Chubut, Argentina, C. A.
Pampillo, H. Biloni and D.E. Embury, Eds.,
American Society for Metals, Metals Park,
Ohio, 1980, pp.192
17. Lütjering, G., A. Gysler, J. Albrecht, Influence
of Microstructure on Fatigue Resistance. In G.
Lütjering and H. Nowack, (Eds.): Fatigue 96,
Sixt International Fatigue Congress, Berlin,
Germany, 1996, pp. 967-976

RIWAYAT PENULIS

DR. Ing. H. Agus Suhartono lahir di Juwiring,
Klaten, 3 September 1967. Tamat S1 UI Fakultas
Teknik Jurusan Metalurgi tahun 1991.
Menyelesaikan program S3 di TU Clausthal
jurusan Mesin di Jerman tahun 2000. Saat ini
bekerja sebagai Ka.Sub.Bid Karakteristik dan
Aplikasi Material di Balai Besar Teknologi
Keluasan Struklin BPP Teknologi.
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
32

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
33
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.

1. PENDAHULUAN
Persamaan Boltzmann adalah persamaan
kinetik yang mendeskripsikan perubahan yang
terjadi pada partikel gas dengan berlalunya waktu
karena terjadinya fenomena tumbukan antar
partikel. Misalkan

+ +
ℜ → ℜ × ℜ × ℜ ⊂ Ω : ) , , (
3 3
t v x f
adalah fungsi kepekatan peluang suatu partikel
gas yang berada pada posisi x, bergerak dengan
kecepatan v, serta diamati pada waktu t. Bentuk
dari persamaan Boltzmann adalah:
) , ( , f f Q f v
t
f
x
= ∇ +


(1.1)
dengan nilai awal
) , ( ) 0 , , (
0
v x f t v x f = = . (1.2)
Ruas kanan dari persamaan (1.1) adalah integral
lipat berdimensi tinggi yang mendeskripsikan
perubahan dari f(x,v,t) sebagai akibat dari
tumbukan antar partikel, yaitu dengan bentuk
berikut:
| |
∫ ∫


=
3 2
) ( ) ( ) ' ( ) ' ( ) , , (
) , (
S
de dw w f v f w f v f e w v B
f f Q

dengan B(v,w,e) adalah fungsi kernel tumbukan
partikel.
Solusi analitik dari persamaan Boltzmann (1.1)
tersebut tidaklah mudah untuk diperoleh.
Beberapa hasil solusi analitik eksak yang telah
didapatkan hanya bisa diperoleh untuk distribusi
nilai awal tertentu, di antaranya adalah untuk
distribusi awal Maxwell oleh Bobylev
(2)
dan
beberapa solusi self-similar oleh Bobylev dan
Cercignani
(3)
.
Solusi numerik dari persamaan Boltzmann
harus memperhatikan diskretisasi dari ruang
berdimensi tinggi serta melibatkan perhitungan
integral lipat berdimensi tinggi pula pada setiap titik
diskretisasinya. Dengan demikian penggu-naan
metode yang umum digunakan pada solusi
numerik persamaan diferensial parsial, misalnya
metode elemen-hingga ataupun metode beda-
hingga, akan sulit diimplementasikan. Oleh karena
itu penggunaan metode partikel akan menawarkan
jalan keluar bagi penyelesaian numerik persamaan
kinetik yang berupa persamaan diferensial–
integral berdimensi tinggi tersebut.

2. METODE PARTIKEL
Metode partikel untuk penyelesaian numerik
persamaan kinetik berdimensi tinggi pertama kali
dikembangkan adalah simulasi langsung dengan
metode Monte-Carlo (Direct Simulation Monte-
Carlo – DSMC) oleh G. A. Bird
(1)
. Pada
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
34
perkembangannya dirumuskan metode partikel
terbobot stokastik (Stochastic Weighted Particle
Method – SWPM) oleh S. Rjasanow dan W.
Wagner
(6)
.
Ide dasar metode partikel adalah pendugaan
barisan ukuran berikut
( ) 0 , , 1 , 0 , , , , > ∆ = ∆ = t k t k t dxdv v x t f
k k
L
dengan sistem
( ) ( )
( ) ( ) ( )
( )

=
=
N
i
t v t x k i k
dv dx t g dv dx t
k i k i
1
,
, , , δ u
di mana
( ) ( ) ( ) ( ) L , 1 , 0 , , ,
1
=
=
k t v t x t g
N
i k i k i k i

melambangkan sekumpulan partikel, dengan k
adalah indeks tahap waktu.

2.1 Metode Simulasi Langsung Monte-Carlo

Metode DSMC yang dikembangkan oleh G. A.
Bird
(1)
memiliki algoritma berikut. Prosedur
simulasi diawali dengan pendefinisian evolusi
waktu dari suatu sistem sejumlah N partikel
( )
0
, , , 1 , ) ( ), ( ), ( t t N i t v t x t g
i i i
≥ = L
dengan nilai awal
( ) N i t v t x t g
i i i
, , 1 , ) ( ), ( ), (
0 0 0
L =
yang dibangkitkan menurut suatu sebaran peluang
tertentu berdasarkan (1.2). Asumsi pada nilai awal
adalah bobot partikel konstan
. , , 1 , ) (
0
N i g t g
i
L = = (2.1)
Diskretisasi waktu didefinisikan sebagai berikut:
. 0 , , 1 , 0 ,
1
> ∆ ∆ + = ⇒ = ∆ =
+
t t t t k t k t
k k k
L
Simulasi akan dilakukan pada setiap interval
waktu (t
k
, t
k+1
] dengan membedakannya dalam
dua fase: fase gerakan bebas dan fase tumbukan
partikel. Pada fase pertama hanya akan
disimulasikan gerakan partikel secara bebas tanpa
memperhatikan terjadinya tumbukan antar partikel.
Sebaliknya pada fase kedua hanya disimulasikan
tumbukan antar partikel tanpa memperhatikan
gerakan partikel itu sendiri.
Fase gerakan bebas menghasilkan perubahan
posisi partikel setiap waktu hanya dipengaruhi oleh
kecepatannya, yaitu
| |
1
, ), ( ) ( ) ( ) (
+
∈ − + =
k k k i k k i i
t t t t v t t t x t x .
Bobot partikel diasumsikan tidak mengalami
perubahan selama periode simulasi. Apabila
daerah definisi adalah berbatas, maka kecepatan
partikel akan berubah menurut syarat batasnya.
Fase tumbukan partikel disimulasikan sebagai
berikut. Pertama-tama posisi partikel dipartisi ke
dalam c buah sel

U
l
l
c
1 =
Ω = Ω .
Simulasi tumbukan dilakukan di dalam masing-
masing sel dengan mendefinisikan proses
stokastik
{ } n i t v t x t g t Z
i i i
, , 1 ), ( ), ( ), ( ) ( L = =
dengan t ≥ t
k
dan n = n
l
(t
k
).
Dari proses pada keadaan z, misalkan partikel
ke – i dan j akan bertumbukan dengan peluang
tertentu. Pembangkit proses ditentukan
berdasarkan fungsi loncatan proses J
k
(z,i,j,e)
berikut

( )
( )
( )
¦
¹
¦
´
¦
=
=

=
j k v g,x
i k v x g
j i k v x g
J
j j
i i
k k
k
, ' ,
, ' , ,
, , , ,
(.) (2.2)
di mana

> − < + =
> − < + =
j i j j
j i i i
v v e e v v
v v e e v v
, '
, '
(2.3)
adalah kecepatan partikel setelah tumbukan.
Dengan algoritma DSMC tersebut jumlah
partikel di dalam sistem tidak akan mengalami
perubahan. Dengan demikian juga akan berlaku
konservasi berbagai besaran makroskopik dari
sistem, yaitu diantaranya besaran massa,
kerapatan, momentum, energi, dan sebagainya.
Sedangkan kekonvergenen pendugaan numerik
dengan metode DSMC ini telah dibuktikan dalam
Wagner
(8)
.

2.2 Metode Partikel Terbobot Stokastik

Simulasi numerik dengan menggunakan
metode partikel terbobot stokastik memiliki latar
belakang ide yang serupa dengan DSMC, dengan
letak perbedaan pada pendefinisian fungsi
lompatan proses sebagai alternatif dari (2.2)
berikut:
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
35
( )
( )
( )
( )
( )
( )
¦
¦
¦
¹
¦
¦
¦
´
¦
+ =
+ =
= −
= −

=
2 , ' , (.),
1 , ' , (.),
, , (.),
, , (.),
, , , ,
.
n k v x G
n k v x G
j k v x G g
i k v x G g
j i k v x g
J
j j
i i
j j j
i i i
k k k
k
(2.4)
di mana v’
i
dan v’
j
adalah kecepatan partikel ke – i
dan j setelah tumbukan partikel. Besaran G(z,j,i,e)
adalah fungsi perpindahan bobot,
( )
( )
) , , , ( 1
, min
, , ,
e j i z
g g
e j i z G
j i
γ +
= (2.5)
yang akan memungkinkan terjadinya penambah-
an jumlah partikel dalam sistem bila dipilih
parameter γ ≥ 0.
Prosedur yang memungkinkan penambahan
jumlah partikel ini terutama akan sangat
menguntungkan untuk simulasi sistem dengan
kerapatan rendah untuk mengurangi keragaman
stokastik
(6)
. Akan tetapi penambahan jumlah
partikel dalam simulasi numerik dapat
meningkatkan beban komputasi secara signifikan,
sehingga sampai tahap tertentu akan diperlukan
prosedur tambahan untuk mengurangi kembali
jumlah partikel tersebut. Prosedur pengurangan
jumlah partikel yang telah dirumuskan antara lain
diberikan dalam Rjasanow dan Wagner
(6)
sebagai
prosedur reduksi deterministik, sedangkan dalam
Nugrahani dan Rjasanow
(5)
dirumuskan prosedur
reduksi stokastik.

Prosedur Reduksi Deterministik

Prosedur untuk mengurangi jumlah partikel
pada simulasi dengan metode SWPM ini dilakukan
sedemikian sehingga sistem partikel tersebut tetap
dapat menduga penyelesaian numerik persamaan
Boltzmann. Dengan demikian tetap harus
diperhatikan terpenuhinya sifat konservasi masa,
kerapatan, momentum dan energi, serta dapat
dikontrolnya tambahan galat pendugaan yang
ditimbulkan.
Ada dua langkah yang dirumuskan dalam
prosedur reduksi deterministik ini. Langkah
pertama adalah pengelompokan partikel dalam
sejumlah cluster berdasarkan kecepatannya:
( )
i ij ij ij
n j n i v x g , , 1 , ˆ , , 1 , , , L L = =
di mana nˆ adalah jumlah cluster yang dibentuk,
dengan i adalah indeks cluster dan j indeks
partikel dalam cluster. Kemudian dalam masing-
masing cluster dengan n
i
≥ 3 akan dilakukan
pengurangan jumlah partikel, yaitu dengan
menggantikan sejumlah 2 partikel berikut:

2 ) ( ) (
2
) ( ) (
1
) (
2 1
, ,
2
S e e V v e V v
g
g g
i i
i
i i
i
i
i i
∈ − = + =
= =
ε ε

di mana g
(i)
adalah massa cluster, V
(i)
adalah
rataan impuls cluster, serta
(i)
adalah suatu
besaran yang berhubungan dengan aliran energi
dalam cluster.
Bukti kekonvergenan serta jaminan kontrol atas
galat tambahan dari prosedur reduksi ini diberikan
oleh Rjasanow dan Wagner
(6)
.

Prosedur Reduksi Stokastik

Prosedur ini ditujukan secara khusus untuk
mempertahankan partikel pada daerah ’luar’
{ } ℜ ∈ ≥ − ℜ ∈ = Θ R R U v v , || || ;
3
.
Sedangkan partikel pada daerah Θ − ℜ
3
akan
dipilih menurut kriteria stokastik tertentu.
Dengan memperhatikan partikel ke – i:
( ) n i v x g
i i i
, , 1 , , , L =
prosedur reduksi dilakukan dengan cara berikut:
• Dengan peluang
g
g
p
i
= , tetapkan g g
i
= .
Hal ini berarti partikel tersebut dipertahankan
dan diberi bobot standar.
• Dengan peluang
g
g g
p
i

= − 1 , tetapkan g
i

= 0. Hal ini berarti partikel tersebut
dikeluarkan dari sistem, sehingga jumlah
partikel akan berkurang.

Prosedur reduksi ini diusulkan dalam
Nugrahani dan Rjasanow
(5)
sebagai bentuk
khusus dari prosedur yang lebih umum yang
dirumuskan dan dibuktikan kekonvergenannya
oleh Matheis dan Wagner
(4)
.
3. HASIL SIMULASI NUMERIK
3.1 Simulasi Extra Moment

Studi numerik yang dilakukan adalah
penyelesaian persamaan Boltzmann (1.1) pada
ruang posisi yang telah dipartisi sehingga fungsi
kepekatan peluang f(v,t) adalah homogen dalam
ruang. Kondisi awal mengikuti distribusi molekul
pseudo-Maxwell campuran berikut
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
36

( )
( )
|
|
.
|

\
| −


+
|
|
.
|

\
| −
− =
2
2
2
2 / 3
2
1
2
1
2 / 3
1
2
| |
exp
2
) 1 (

2
| |
exp
2
) (
T
V v
T
T
V v
T
v f
π
ρ α
π
αρ

Simulasi numerik dilakukan terhadap besaran
extra moment berikut


Θ − ℜ
= Φ
3
) , ( ) ( dv t v f t
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 1. Simulasi extra moment dengan DSMC



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
dalam hal masih dapat diberikannya interval
kepercayaan yang positif
(5)
.
Lebih lanjut disajikan pula berbagai besaran
hasil simulasi extra moment menggunakan metode
SWPM dengan prosedur reduksi stokastik.
Gambar 3 menyajikan jumlah partikel dalam
sistem yang memperlihatkan bahwa prosedur
reduksi stokastik memperkecil fluktuasi jumlah
partikel. Gambar 4 memberikan bobot maximal
partikel dalam keseluruhan proses simulasi, yang
ternyata benilai relatif cukup kecil. Serta Gambar
5 memberikan dugaan nilai kepadatan partikel
dalam sistem.



Gambar 3. Jumlah partikel simulasi extra moment
dengan SWPM



Gambar 4. Bobot maximal partikel simulasi extra
moment dengan SWPM


Gambar 5. Dugaan kepadatan partikel pada simulasi
extra moment

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
37
3.2 Simulasi Self-similar dengan SWPM

Bagian berikutnya dari studi simulasi numerik
diberikan untuk memberikan penyelesaian bagi
besaran α – moment berikut



= Φ
3
) , ( || || ) ]( || [|| dv t v f v t v
α α

dengan f(v,t) adalah penyelesaian self-similar
menurut Bobylev dan Cercignani
(3)
dengan
distribusi awal berikut:

( )


|
.
|

\
|
+
=
0
2 2
2
1
||, ||
1
4
) (
s
v M
s
ds
v f
π

dengan M(.) adalah distribusi Maxwell.
Keunikan dari model self-similar adalah bentuk
distribusinya yang divergen, sehingga secara
umum konservasi energi tidak dapat
dipertahankan
(9)
. Sehingga solusi numerik α –
moment tersebut hanya dapat dilakukan pada nilai
α tertentu.
Pada contoh ini dipilih α = 0,75 dan metode
yang dipergunakan adalah SWPM dengan
prosedur reduksi deterministik. Hasil simulasi
disajikan pada Gambar 6. Hasil simulasi tersebut
memberikan gambaran bahwa metode SWPM
terbukti cukup mampu untuk memberikan hasil
numerik bagi pendugaan fungsi distribusi yang
bukan maxwellian. Akan tetapi dapat dilihat bahwa
kedekatan hasil simulasi numeri ini akan sangat
tergantung pada jumlah partikel awal yang
dipergunakan dalam simulasi, semakin kecil
jumlah partikel maka pendugaan akan semakin
jauh dari solusi analitik eksak.


Gambar 6. Simulasi self-similar pada α – moment
dengan metode SWPM.

4. KESIMPULAN
Penyelesaian numerik persamaan Boltzmann
yang merupakan persamaan kinetik berdimensi
tinggi dapat diperoleh dengan menggunakan
metode partikel. Metode partikel dalam bentuk
simulasi langsung Monte-Carlo (DSMC) adalah
metode yang umum diterapkan, akan tetapi
ternyata tidak cukup mampu memberikan hasil
yang memuaskan pada daerah dengan kepadatan
rendah.
Di lain pihak simulasi dengan metode partikel
terbobot stokastik (SWPM) terbukti mampu
memberikan hasil yang lebih memuaskan. Metode
ini dapat memberikan pendugaan yang baik di
daerah dengan kepadatan partikel rendah. Lebih
lanjut metode ini juga terbukti mampu memberikan
dugaan numerik bagi fungsi distribusi awal yang
divergen, asalkan banyaknya partikel yang
disimulasikan adalah cukup besar.

DAFTAR PUSTAKA
1. G. A. Bird. Molecular Gas Dynamics. Clarendon
Press, Oxford, 1976.
2. A. V. Bobylev. Exact solutions of the Boltzmann
equation. Sov. Phys. Dokl., 20(12): 822 – 824,
1975.
3. A. V. Bobylev and C. Cercignani. Self-similar
solutions of the Boltzmann equation and their
applications. J. Statist. Phys., 106(5-6): 1039 –
1071, 2002.
4. Matheis and W. Wagner. Convergence of the
stochastic weighted particle method for the
Boltzmann equation. Preprint 739, WIAS,
Berlin, 2002.
5. E. H. Nugrahani and S. Rjasanow. On the
stochastic weighted particle method. In M.
Griebel and M. A. Schweitzer, editors,
Meshfree methods for partial differential
equations, Volume 26 of Lecture notes in
computational science and engineering, pages
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):
1011-1044, 1992.
9. E. H. Nugrahani. Beiträge zur Numerik der
Boltzmann Gleichung. Dissertation. University
of Saarland, Germany, 2003.

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
38
RIWAYAT PENULIS
Endar H. Nugrahani lahir di
Magelang pada tanggal 28
Desember 1963. Penulis
menamatkan pendidikan
sarjana statistika pada 1987
dan magister statistika pada
1993 di Institut Pertanian
Bogor, serta pendidikan
Doktor pada 2003 di University
of Saarland, Jerman, dalam bidang matematika
terapan. Saat ini penulis bekerja sebagai dosen di
Departemen Matematika, FMIPA, Institut Pertanian
Bogor. Penulis menjadi anggota Himpunan
Matematika Indonesia (IndoMS – The Indonesian
Mathematical Society) serta HYKE-Network
(Hyperbolic and Kinetic Equations – Network of the
European Union).



Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
39
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

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

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
40
2. EFEK RAILING

Railing pada jembatan umumnya ditujukan
untuk perlindungan pemakai jembatan itu sendiri:
pelindung dari kemungkinan kendaraan keluar dari
jalurnya maupun pelindung dari gangguan angin
samping yang kuat.
Secara aerodinamika, railing juga memiliki
fungsi sebagai perangkat antivibration, yakni
perangkat untuk mengurangi getaran akibat aliran
angin (menstabilkan struktur dari kemungkinan
terjadinya getaran amplitudo besar).
Ada 2 metoda aerodinamika yang dapat
dimanfaatkan untuk mengurangi getaran:
- Metoda yang berfungsi me-laminarkan aliran
sekitar penampang struktur semaksimal
mungkin, sehingga separasi aliran menjadi
minimal. Misalnya dengan memasang fairing,
cowling (deflektor), skirts dan pelat.
- Metoda yang membangkitkan vortex atau
men-separasi-kan aliran, sehingga aliran
vortex dibelakangnya (downstream) menjadi
terpecah (irregular) dan lemah. Metoda ini
biasanya diterapkan dalam bentuk flaps,
double flaps dan spoiler.
Jadi railing dapat berfungsi ganda,
membangkitkan vortex atau mengarahkan aliran
agar vortex tidak terjadi diatas dek, tapi diluar dek.


















Gambar 1. Efek Bentuk Railing

Hal lain yang perlu diperhatikan dari
rancangan railing adalah porosity yakni rasio
antara bagian yang terbuka dengan luas seluruh
railing. Sedangkan struktur railing yang berupa
susunan bar atau pelat yang diberi lubang tidaklah
terlalu besar pengaruhnya pada stabilitas
aerodinamika
(1)
.
Porosity rendah mampu memberikan
perlindungan yang baik terhadap efek angin besar,
namun memberikan gaya-hambat / drag (CD) yang
tinggi, serta membangkitkan angin turbulen di balik
railing. Sehingga pengendara akan merasakan
ketaknyamanan dari efek angin yang berfluktuasi
pada jarak tertentu dari railing.
Analisis CFD untuk efek ini ditujukan untuk
melihat distribusi vektor kecepatan angin di sekitar
dek. Sehingga mempermudah proses modifikasi
rancangan yang biasanya dilakukan secara iteratif.
Zona medan aliran yang kurang nyaman untuk
dilalui, dapat di atur dengan mudah.
Metoda CFD juga dapat digunakan sebagai
pembanding terhadap data hasil eksperimental di
terowongan angin.
Uji terowongan angin menunjukkan bahwa
porositas 0.4 – 0.5 adalah kompromi terbaik dari
fungsi perlindungan railing dengan gaya-hambat
yang ditimbulkannya
(2)
.
Untuk mendistribusikan gaya hambat secara
proporsional, maka terkadang diperlukan
rancangan railing yang porosity-nya dibuat gradual
sepanjang bentangan.

3. KETINGGIAN 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
variasi tekanan ini dapat membangkitkan aliran
vortex (pusaran) dan turbulen.
Efek ketinggian dek jembatan terhadap
karakteristik aerodinamika dan aeroelastik pada
prinsipnya dapat dianalisis dengan CFD. Terutama
untuk digunakan sebagai estimasi data awal dan
data pembanding terhadap hasil uji terowongan
angin.
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
41
4. HASIL SIMULASI DAN DISKUSI

4.1 Efek Railing


Kecepatan Angin Bebas 5 m/sec.

Kecepatan Angin Bebas 10 m/sec.

Kecepatan Angin Bebas 20 m/sec.

Gambar 2. Peta Aliran dan Vektor Kecepatan

Railing dipasang tanpa tekukan diujungnya
dan porositas yang digunakan adalah 60%,
disimulasikan pada kecepatan angin 5m/s, 10 m/s
dan 20 m/s.
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.
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
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
menjadi lebih mudah turbulen. Makin dekat struktur
dek ke permukaan bumi makin besar perbedaan
gradient tekanannya di bawah dek.

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
42

Ketinggian Dek d=0.050 m

Ketinggian Dek d=0.140 m

Ketinggian Dek d=0.200 m

Gambar 3. Peta Aliran dan Vektor Kecepatan




Ketinggian Dek d=0.050 m
Ketinggian Dek d=0.140 m
Ketinggian Dek d=0.200 m

Gambar 4. Distribusi Tekanan Medan Aliran)

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
43
Dari simulasi ini dapat pula diketahui
distribusi tekanan (Cp) dipermukaan dek jembatan,

Distribusi Cp Permukaan Dek d=0.05m
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
-1.5 -1 -0.5 0 0.5 1 1.5
x/chord
C
p
Distribusi Cp Permukaan Dek d=0.14m
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
-1.5 -1 -0.5 0 0.5 1 1.5
x/chord
C
p
Distribusi Cp Permukaan Dek d=0.20m
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
-1.5 -1 -0.5 0 0.5 1 1.5
x/chord
C
p

Gambar 5. Distribusi Tekanan Permukaan Dek

Dari segi gaya/momen aerodinamika maka
dapat dilihat perbedaan yang jelas pada gaya
angkat aerodinamika.

Tabel 1. Gaya / Momen Aerodinamika

Tinggi Dek CL CD
0.05 m 0.339867 0.117812
0.14 m 0.032766 0.134148

Koeffisien gaya angkat (CL) meningkat
tinggi dibanding koeffisien gaya hambat (CD).
Semakin dekat ke permukaan bumi, semakin
besar gaya angkatnya, namun separasi aliran
akan lebih mudah terjadi dibawah dek. Hal ini
dapat dilihat dari distribusi tekanan disekitar dek.

5. KESIMPULAN

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

DAFTAR PUSTAKA

1. K.H. Ostenfeld and A. Larsen, “Bridge
engineering and aerodynamics”, Proceeding
Aerodynamics of Large Bridge, pp. 3-22,
Danish Maritime Institute and A.A. Balkema,
Rotterdam, 1992
2. T.A. Wyatt, “Recent British developments:
Windshielding of bridges for traffic”,
Proceeding Aerodynamics of Large Bridge, pp.
159-170, Danish Maritime Institute and A.A.
Balkema, Rotterdam, 1992
3. D. Steinbach and K. Jacob, “Some
aerodynamic aspects of wing near ground”,
Transaction of Japan Society of Aerospace
Science vol. 34 No. 104 p.57-70, 1991

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
44
RIWAYAT PENULIS

FARIDUZZAMAN lahir di Cianjur
pada 17 Mei 1961. Menamatkan
pendidikan S1 di Jurusan Fisika
ITB tahun 1986, pendidikan S2
bidang Scientific and Engineering
Software Technology di Thames
Polytechnic (Greenwich Univ.), UK,
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.

DEWI ASMARA lahir di Bandung
pada 28 Agustus 1974.
Menamatkan pendidikan S1 di
Jurusan Matematika UNPAD
tahun 1998. Saat ini bekerja
sebagai staf Mekanika Fluida
untuk spesialisasi CFD
(Computational Fluid Dynamic) di
UPT-LAGG, BPPT, Serpong.

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
45
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

Dalam dunia ilmu pengetahuan terdapat tiga
sumber acuan informasi yaitu data hasil
pengamatan instrumen, hasil kajian teoritis dan
data hasil model. Ketiga jenis sumber informasi
tersebut membuat trikotomi yang nyata dari
peneliti ilmu pengetahuan. Masing-masing grup
berpenda-pat bahwa sumber acuan mereka yang
paling baik daripada yang lainnya. Sebagai contoh
pada pengkajian arus lintas laut Indonesia di selat
Makassar, pekerjaan observasi dilakukan oleh
Gordon et al. 1999 dan Ffield et al. 1999, teori oleh
Godfrey 1996, sedangkan pemodelannya oleh
Kamenkoviks et al. 2004. Yang paling bernilai dari
ketiga dunia tersebut adalah hasil observasi
instrumen pengamatan karena semua analisa
ilmiah akan dikembalikan kepada acuan tersebut.
Akan tetapi pengamatan dengan instrumentasi
apapun memiliki keterbatasan dari resolusi fisis
alat serta tutupan spasial dan temporal. Selain itu
keusangan alat akibat terlalu lama dipakai dan
jarang dikalibrasi juga dapat menjadi faktor
kesalahan berikutnya. Hasil pengamatan tersebut
biasanya ditumpahkan dalam hubungan teoritis
dalam bentuk-bentuk formula. Kelemahan formula
tersebut biasanya bekerja pada asumsi dan
keterbatasan teoritis akibat penyederhanaan yang
dilakukan. Asumsi dan penyederhanaan tersebut
tidak dapat dihindarkan tetapi juga menyumbang
pada faktor kesalahan teoritis.
Dari berbagai model iklim yang tersedia
sekarang ini, model iklim atmosfir adalah yang
paling tua dan dipakai sejak manusia memakai
komputer untuk komputasi numeris sejak penemu-
an oleh Von Neumann di Princeton (Trenberth,
1992). Pekerjaan pioner untuk pemodelan iklim
global dilakukan oleh Smagorinsky pada tahun
1965. Sebelumnya beberapa perhitungan kom-
putasi cuaca juga dilakukan oleh Edward N
Lorentz pada awal dekade 1960 an. Pemodelan
iklim atmosfir, berkembang dari perhitungan
sederhana perubahan dan prediksi tekanan
permukaan, aliran masa udara hingga proses
konvektif di awan.
Hal lain yang perlu disadari mengapa model
iklim diperlukan adalah bahwa kita tidak dapat
melakukan eksperimen dengan alam. Berbagai
fenomena alam yang bersifat ekstrim seperti gejala
El Niño dan kebakaran hutan dapat disimulasikan
dalam sebuah model tanpa merusak alam itu
sendiri. Terkadang kita membutuhkan penge-
tahuan yang komprehensif apa yang dapat terjadi
apabila sebuah skenario gejala ekstrim terjadi. Hal
tersebut tidak mungkin kita lakukan di alam
terbuka tanpa membawa konsekuensi yang
membahayakan, tetapi dapat dilakukan dengan
melakukan simulasi dalam sebuah model iklim.
Setelah mendapatkan persamaan teoritis
ber-bagai parameter, maka dilakukan
penghubungan masing masing parameter dalam
suatu model yang lebih komprehensif. Model dapat
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
46
dibuat dengan dimensi waktu atau salah satu
dimensi ruang. Kelebihan utama model adalah
dapat memberikan solusi secara komprehensif
dan memberikan visualisasi yang lebih baik untuk
hubungan beberapa parameter yang ada.
Kekurangan dari model biasanya terletak dari
resolusi temporal dan spasial. Kemampuan model
mensimulasikan feno-mena iklim dan cuaca akan
meningkat pada fenomena berskala spasial dan
temporal yang sesuai dengan kemampuan model.
Pada perkembangan saat ini model telah
dapat mengakomodir rumusan teoritis untuk
bekerja pada dimensi waktu dan ruang secara 3
dimensi. Akibat kemajuan dunia komputasi, maka
saat ini hampir tidak ada masalah untuk
menjalankan model berbagai parameter secara
komprehensif dan massive (dalam jumlah besar).
Kemampuan terakhir inilah yang dibutuhkan untuk
dunia model iklim yang membutuhkan perhitungan
yang massive dan komprehensif. Saat ini hampir
semua komputer tercanggih di dunia dipakai untuk
perhitungan pemodelan iklim dan cuaca
(http://www.top500.org/).
2. SISTIM IKLIM
Pada awalnya perkembangan model iklim
dilakukan terpisah-pisah antara beberapa kompo-
nen iklim. Semua model iklim mengacu pada dua
unsur utama iklim yaitu energi dan siklus air
(Gambar 1). Siklus air terjadi di atmosfir, lautan,
daratan dan dalam es di permukaan, sehingga
model iklim utama terbagi antara model atmosfir,
laut, hidrologi permukaan dan varian dari model es
seperti sea-ice model dan ice hidrology (Gambar
2). Hingga saat ini komponen utama model iklim
selalu mengacu pada model atmosfir. Pada
perkembangannya, berbagai komponen model
tersebut menyatu menuju satu arah yaitu model
iklim kebumian terpadu (integrated earth system
model)
Dalam perkembangannya terdapat
beberapa varian pemodelan iklim atmosfir
diantaranya model iklim global, model iklim
regional atau limited area model, model per-
awanan dan model lokal skala resolusi tinggi untuk
proses di permukaan tanah dan lapis batas
atmosfir. Dari jenis dinamika perlapisan model
atmosfir dan demikian juga model laut dibedakan
dengan model hidrostatik dan model non
hidrostatik. Model hidrostatik mengacu pada
perubahan minimal antar lapisan sehingga
diasumsikan tidak terjadi proses perpin-dahan
masa secara vertikal dan aliran masa udara
bersifat laminar mengikuti orografi bumi. Konsep
hidrostatis ini bersifat idealis dan membantu
perhitungan agar tidak terlalu rumit, tetapi
kekurangan utama adalah konsep ini menafikan
bentuk orografi bumi yang curam. Dengan konsep
non hidrostatis, model dapat bekerja dengan
orografi yang curam dan biasanya bagus dipakai
untuk model resolusi tinggi yang sangat
memperhatikan aspek lokal. Model iklim global dan
regional biasanya bersifat hidrostatis, sedangkan
model yang sangat lokal bersifat non hidrostatis,
contohnya adalah model proses permukaan untuk
model iklim bagi pertanian dan perkotaan.
Sebagai dasar utama model iklim laut
adalah proses dinamika laut dimana persamaan
gerak adalah fokus utamanya. Sama seperti model
atmosfir, model laut juga dapat dibagi sebagai
model hidrostatik dan non hidrostatik dengan
pemakaian yang serupa. Pada model dengan
tingkat detail yang tinggi dan skala lokal maka
model non hidrostatik lebih dibutuhkan.
Sedangkan untuk skala global model hidrostatik
lebih disukai. Permasalahan konveksi daerah
turbulensi batas seperti di atmosfir juga dikenal di
model laut. Persamaan fisis dari lapisan mixing
tempat utama turbulensi dan konveksi sangat
kompleks sehingga banyak pendekatan yang telah
diupayakan. Proses konveksi lebih berhubungan
dengan perpindahan masa dan energi secara
vertikal, sedangkan proses serupa dalam skala
horisontal dikenal dengan proses adveksi.
Parameter input utama bagi daerah lapisan atas
adalah flux (aliran) air dan energi dari atmosfir
serta aliran air dari daratan. Perbedaan utama
model laut dan atmosfir adalah skala waktu gerak
yang lebih cepat untuk atmosfir. Parameter utama
dalam dinamika laut adalah profil salinitas dan
suhu. Sehingga proses dinamika laut sering
disebut sebagai thermohaline circulation.
Sedangkan parameter utama untuk muka laut
adalah suhu dan tinggi muka laut.
Seperti atmosfir, laut juga memiliki daerah
batas. Perbedaan utamanya adalah batas laut
yang terdiri dari batas atas (muka laut), batas
daerah domain dan batas dasar laut. Yang terakhir
adalah perbedaan utama antara laut dan atmosfir
dimana atmosfir sering dianggap tidak memiliki
batas atas. Batas bawah laut sangat penting untuk
mengetahui arah aliran masa air laut sehingga
berperan penting pada proses konveksi dan
adveksi yang akhirnya mempengaruhi profil
salinitas dan suhu. Batas lapis dasar laut juga
penting bagi proses sedimentasi daerah pesisir.
Karena daerah batas dasar laut sudah bersifat
statis dengan data topologi laut, maka input utama
model laut ada di permukaan laut. Untuk model
laut regional membutuhkan juga parameter di
daerah batas domain. Untuk hal ini biasanya
model laut mendapatkan data daerah domain dari
data rata-rata klimatologi lautan. Data klimatologi
didapat dari data rata-rata iklim 30 tahunan dan
data yang sering dipakai saat ini adalah koleksi
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
47
Levitus (1998). Untuk atmosfir data daerah batas
domain didapat dari data observasi harian
terutama data satelit, sedangkan di bawah laut,
data serupa tidak ada sehingga hal ini adalah
salah satu masalah utama untuk model laut. Model
laut global mendapatkan informasi permukaan dari
reanalisa atmosfir permukaan atau dari keluaran
model atmosfir global. Parameter laut permukaan
yang dibutuhkan oleh model laut adalah tekanan
permukaan, suhu permukaan yang biasa diwakili
oleh suhu 2 m, angin permukaan, stress angin
permukaan, tutupan awan, radiasi matahari di
permukaan dan curah hujan permukaan.
Perbedaan utama dari dinamika laut dan
atmosfir adalah lama adaptasi atau waktu memori
diantara keduanya dimana atmosfir memiliki
ingatan yang cepat dan laut yang lama. Sifat ini
diperlukan untuk memulai suatu model iklim
atmosfir dan laut. Sebuah model iklim akan dimulai
pada masa initiasi tertentu dan dijalankan menurut
kondisi saat tertentu. Untuk atmosfir, peran dari
masa lalu terhadap iklim saat ini tidak terlalu besar
sehingga diperlukan masa initiasi yang pendek.
Sedangkan untuk lautan diperlukan masa initiasi
yang panjang. Biasanya untuk keperluan model
atmosfir hanya butuh jam-jaman, sedangkan
initiasi model laut global membutuhkan hingga 30
tahun. Daya ingat yang cepat dari atmosfir
memiliki kerugian dalam hal gangguan yang
sangat lokal sekalipun untuk model iklim global.
Pengaruh sekecil apapun berpengaruh terhadap
cuaca saat tertentu. Fenomena ini dikenal dengan
nama butterfly effect. Prinsip serupa tidak terjadi di
laut karena resistensi masa laut akibat memori
yang lama menahan pengaruh lokal dalam waktu
singkat untuk berperan besar.
3. METODA KOMPUTASI
Pemodelan iklim seringkali juga terbentur
oleh ketersediaan data pengamatan, sehingga
model iklim lebih banyak bekerja dengan data
yang terinterpolasi. Saat ini data pengamatan
harian dari seluruh dunia dikumpulkan secara
elektronis untuk kepentingan pemodelan iklim.
Saat ini ada dua pemakai utama dari data tersebut
yaitu dari European Centre for Medium Weather
Forecast (ECMWF) yaitu konsorsium Eropa untuk
masalah cuaca dan iklim. Pemakai kedua adalah
dari NCEP/NCAR yaitu dari Amerika Serikat.
Selain kedua pemakai utama tersebut Jepang,
Australia dan Kanada juga mengadakan
pemodelan iklim mereka sendiri. Data-data
observasi meteorologi pada umumnya bersifat
terbuka dan boleh dipakai oleh siapa saja untuk
kepentingan khalayak umum sehingga tersedia di
jaringan internet. Data tersebut tersedia setiap 6
jam untuk resolusi 1.128
0
keluaran ECMWF dan
2.5
0
untuk keluaran NCEP/ NCAR. Sebagai contoh
sebuah model iklim atmosfir regional yang bekerja
pada skala resolusi 55 km membutuhkan sekitar
247 parameter input setiap 6 jam untuk bekerja
yang terdiri dari data permukaan dan 20 lapisan.
Data dalam jumlah besar tersebut akan
diinterpolasikan pada bagian batas model kedalam
periode waktu pemodelan seperti misalnya 5 menit
atau 300 detik.
Saat ini data tersebut tersedia di internet
dan membutuhkan hubungan internet kecepatan
tinggi untuk keperluan mengakses data tersebut
bagi pemodelan yang kontinyu. Untuk keperluan
jangka panjang dibutuhkan kerja sama
internasional agar ada ketersediaan data yang
memadai secara terus menerus. Pada dasarnya
data yang dikumpulkan, sebagian besar didapat
dari hasil pengukuran meteorologis negara-negara
di dunia ini.
Metoda numerik matematik merupakan
engine matematis utama dalam pemodelan 3
dimensi. Parameter fisika secara spasial akan
didekati oleh dua pendekatan yaitu metoda
element hingga (finite element), finite difference
dan metoda spektral. Karena unsur atmosfir bumi
yang bersifat global dan kontinyu, metoda spektral
yang berbasis pada penerapan fungsi-fungsi
matematis spektral sinusoidal lebih dipakai. Pada
persepsi spektral, semua fungsi dapat
direpresentasikan dalam bentuk spektral
frekuensinya sehingga dapat didekati dengan
pendekatan fungsi-fungsi sinusoidal. Untuk
pendekatan temporal, kedua metoda diatas juga
dapat dipakai. Untuk kestabilan model diperlukan
bahwa nilai resolusi temporal dibagi resolusi
spasial jauh lebih kecil dari satu.
Perhitungan kekekalan energi dan
momentum dan hukum kontinuitas masa
merupakan basis hukum dinamika alam.
Diperlukan perhitungan yang seimbang antara
energi yang masuk dan keluar serta kekekalan
momentum. Kekekalan momentum menjamin
perhitungan energi kinetis sedangkan hukum
kontinuitas masa menjamin perhitungan energi
potensial. Sebagai sumber utama energi di
atmosfir yang pada akhirnya menjalankan angin
adalah energi radiasi matahari dan bumi. Sumber
utama dinamika laut adalah angin permukaan
yang digerakkan oleh perbedaan energi akibat
radiasi matahari, sehingga akhirnya seluruh
dinamika atmosfir dikendalikan oleh perhitungan
energi radiasi matahari dan bumi yang tepat.
Biasanya dalam sebuah model iklim atmosfir,
perhitungan energi ini memakai hingga 30% dari
sumber daya komputer yang ada.
Dalam mengaplikasikan teori-teori fisika dan
dinamika kedalam model, perlu dilakukan pende-
katan dengan berbagai parameterisasi seperti
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
48
proses pembentukan awan yang merupakan
media sentral transfer energi dan masa udara
serta proses turbulensi dan berbagai gelombang
(Gambar 3). Pada model iklim laut juga proses
turbulensi atau mixing serta gelombang laut akibat
angin adalah faktor penting untuk di parameter-
risasi. Pada model laut yang berdiri sendiri, proses
fluks uap air dan energi antara atmosfir dan laut
juga memegang peranan penting sehingga perlu
diparameterisasi dengan benar karena akan
mempengaruhi nilai SST dan besarnya mixing di
lapisan permukaan.
Data untuk model iklim tergantung pada
modus peruntukan modelnya. Ada dua modus
pengope-rasian model yaitu modus iklim dan
modus forecasting atau peramalan. Modus iklim
mengacu pada pengkajian cuaca atau iklim yang
sudah berlalu, sedangkan modus ramalan untuk
cuaca mendatang. Model iklim regional dapat
dipakai untuk kedua modus tersebut, karena
fungsi dari model iklim regional adalah sebagai
alat kaca pembesar kondisi iklim global. Hasil dari
model iklim global biasanya diberikan sebagai
input untuk model iklim regional dimana dinamika
proses yang terjadi kembali dihitung dalam skala
regional. Sedangkan untuk model global dapat
juga dipakai untuk modus iklim tetapi untuk modus
forecast memiliki keterbatasan. Untuk modus
forecast dibutuhkan kedua model iklim laut dan
atmosfir yang dijalankan sekaligus dimana terjadi
feedback antara keduanya. Masing masing model
tersebut tidak dapat jalan sendiri sendiri untuk
modus ramalan karena masing masing saling
membu-tuhkan untuk data di permukaan laut.
Untuk modus ramalan hanya membutuhkan data
awal atau inisial dan model akan berjalan dengan
sendirinya setelah itu. Untuk data awal biasanya
dipakai data kondisi terakhir saat ini. Untuk model
non ramalan dan non global, data dipenuhi dengan
kebutuhan di daerah batas. Untuk model atmosfir
global biasanya membutuhkan data SST,
sedangkan untuk model laut global membutuhkan
data atmosfir di permukaan laut. Sedangkan untuk
model iklim regional baik model laut maupun
atmosfir membutuhkan juga data di daerah batas
domain di laut atau di atmosfir pada masing
masing lapisan. Untuk keperluan pemodelan
atmosfir data tersebut biasanya didapat dari hasil
reanalisa cuaca terdahulu. Selain data tersebut
yang bersifat dinamis, diperlukan juga data statis
permukaan seperti data orografi dan tutupan
lahan. Data tutupan lahan berisi data jenis
vegetasi yang mana darinya akan diambil
informasi albedo, leaf area index (LAI), rasio
tutupan hutan dan kekasaran permukaan.
Semua model iklim bekerja pada sistim grid
tertentu. Terdapat banyak grid sistim dan
pemilihannya berdasarkan kebutuhan dan
berbagai kriteria lainnya. Pembagian grid yang
paling sederhana dan umum adalah kotak-kotak
seperti papan catur. Akan tetapi pemilihan sistim
grid ini hanya baik untuk daerah tropis. Untuk
daerah kutub, misalnya, pemilihan tetap kotak-
kotak papan catur yang direpresentasikan dalam
koordinat cartesian bujur dan lintang bumi.
Sehingga dalam perhitungan bujur dan lintang
terlihat tidak kotak-kotak. Selain itu daerah kutub
juga bermasalah karena berseberangan dengan
berbagai belahan bumi (barat dan timur), serta
terkadang memotong garis penanggalan.
Diperlukan perhitungan tambahan untuk
mengkoreksi berbagai reinter-pretasi tersebut.
Cara grid terbaru memakai sistim curvilinear grid
(Gambar 4), dengan cara ini sebuah model dapat
memiliki kutub dimana saja diinginkan dan memiliki
beberapa kutub sekaligus. Keuntungan dengan
sistim ini model dapat memiliki daerah yang lebih
detail pada wilayah tertentu tanpa mengabaikan
aspek dinamika global (Gambar 4). Aspek
perbedaan grid merupakan perhatian utama para
pemodelan iklim dimana mereka membutuhkan
metoda agar antara model iklim dapat
berkomunikasi pada grid yang berbeda.
Resolusi kerja model iklim global hingga
lokal bervariasi dan biasanya ditentukan oleh nilai
spektralnya. Nilai spektral adalah berapa banyak
gelombang spektral dalam satuan radius bumi
yang direpresentasikannya. Contohnya model
resolusi T42 bekerja dengan nilai spektral 42 yaitu
bisa menyelesaikan 42 gelombang melingkari
bumi atau dengan resolusi sekitar 3.875 derajat
atau 400 km persegi di daerah equator. Pada
perhitungan awal dipakai model resolusi T21,
tetapi saat ini sudah banyak model iklim global
bekerja pada resolusi T106, T256 dan resolusi
yang lebih tinggi lagi (Gambar 5). Contoh pada
resolusi T106 bekerja pada resolusi 110 km
persegi di daerah equator. Pada model regional
dan lokal, bisa bekerja pada 0.5, 1/6 derajat atau
hingga 1 km persegi. Proyek Earth Simulator di
Yokohama Jepang saat ini mengembangkan
model iklim atmosfir global dengan resolusi T1279
atau setara dengan 15km, sedangkan versi laut
yang dipakai memakai resolusi spasial 11 km yang
mana hasilnya dapat mensimulasikan arus lintas
Indonesia melalui selat Makassar secara detail.
Saat ini semua model iklim sudah dapat
berjalan pada semua platform komputer. Karena
membutuhkan komputasi dengan kinerja tinggi,
hampir seluruh model iklim bekerja pada komputer
berbasis Unix dan dengan bahasa Fortran.
Kendala dalam pengolahan data adalah jenis data
yang berbeda antara computer mainframe (big-
endian) dan computer PC berbasis linux (little-
endian). Dengan memakai program konversi,
masalah tersebut bukanlah hambatan lagi, karena
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
49
hampir seluruh model dibuat dalam bahasa
Fortran yang memiliki kemampuan numeris yang
lebih baik dari bahasa pemrograman lainnya.
Kemudian kinerja dari sebuah model iklim
tergantung pada besarnya grid sistem yang
dipakai dan kompleks-nya parameter yang
dihitung. Ada model iklim yang dibuat dengan
metoda perhitungan sederhana untuk kasus
khusus dan ada yang sudah terinte-grasi dalam
komponen-komponen parameter fisis yang
lengkap. Saat ini model iklim sudah memadai
untuk dijalankan pada sebuah PC. Selanjutnya,
dengan perkembangan teknologi linux cluster
maka kemampuan super komputer dapat segera
diimbangi dengan kombinasi paralel komputer
berbasis linux. Hal ini akan sangat menguntungkan
bagi negara berkembang karena biasanya
tersangkut pada biaya yang mahal untuk menda-
patkan fasilitas komputasi dengan kinerja tinggi.
Biasanya sebuah model iklim dijalankan
hanya untuk perhitungan numeris saja, sedangkan
untuk menampilkan data dan hasil simulasi
dilakukan pre dan post processing untuk mengolah
data tersebut lebih lanjut. Data keluaran model
diolah dengan berbagai tools atau aplikasi
tambahan.
4. APLIKASI MODEL IKLIM
Perkembangan model iklim atmosfir saat ini
telah jauh untuk mengakomodir perkembangan
ilmu pengetahuan sehingga dalam model atmosfir
dilengkapi dengan modul proses kimia untuk
masalah polusi, pemanasan global, ekonomi dan
kesehatan. Pemanfaatan model iklim juga telah
diperluas dari sekedar untuk melakukan prediksi
cuaca dan iklim ke depan dan ke belakang, juga
untuk pengkajian skenario perubahan iklim global,
peristiwa ledakan nuklir, penyebaran polutan,
skenario geografis seperti perubahan lahan akibat
aforestasi dan deforestasi.
Pemakaian model iklim yang paling besar
adalah untuk melakukan pengkajian iklim dengan
melihat pola dan perilaku iklim seperti variabilitas
tahunan atau pada jangka waktu yang lebih lama
lagi seperti kajian variabilitas iklim lautan Indonesia
oleh Aldrian 2003 (Gambar 6) dan variabilitas
hujan oleh Aldrian et al (2004a). Kajian iklim perlu
dilakukan karena hasil pengamatan lapangan
sangat terbatas pada titik-titik pengamatan tertentu
dan tidak dapat memberikan gambaran
komprehensif antara beberapa parameter
sekaligus. Keuntungan spasial dan temporal dari
hasil kajian model iklim harus selalu dikaitkan
dengan hasil observasi yang terbatas tersebut.
Pengkajian dengan model iklim biasanya dilakukan
pada iklim yang lampau atau telah terjadi seperti
pada Aldrian et al. 2004a (Gambar 7).
Pemakaian jenis berikutnya yang popular
adalah peramalan dan prediksi iklim dan cuaca.
Pemakaian jenis inilah yang sangat diharapkan
oleh masyarakat umum, dimana diharapkan ada
keluaran yang sesuai dengan cuaca yang akan
datang. Kesulitan dari peramalan datang dari
berbagai sebab seperti asimilasi data pengamatan,
kesalahan numeris pemodelan akibat berbagai
faktor konstanta, kesalahan prediksi akibat faktor
internal model yang dipakai atau faktor internal
iklim regional. Faktor internal model dapat
memberikan kontribusi kesalahan apabila terjadi
pemilihan waktu dan jarak resolusi yang kurang
memadai sehingga terjadi instabilitas model.
Kejadian ekstrem yang tidak terkontrol atau kurang
sempurnanya perambatan fisis di atmosfir pada
grid yang dipakai juga dapat membuat ketidak-
stabilan pemodelan. Faktor internal sistim iklim
regional juga berpengaruh terhadap model apabila
daerah tersebut dipengaruh oleh gejala regional
atau global yang kuat seperti El Nino. Apabila hal
itu terjadi maka kemampuan prediksi model dapat
menurun hingga kapasitas minimum. Pemakaian
model untuk peramalan dan prediksi biasanya
dipakai untuk iklim yang sedang dan akan terjadi.
Pemakaian model iklim berikutnya adalah
untuk menguji skenario iklim yang dapat terjadi
dimasa datang. Seperti diterangkan di atas, model
dapat dipakai untuk melakukan eksperimen di
alam tanpa merusak alam itu sendiri. Skenario
perubahan iklim global dan bagaimana kondisi
iklim pada abad mendatang merupakan hal yang
paling sering disimulasikan (Gambar 8). Sebagai
contoh hasil simulasi scenario perubahan iklim
terhadap intensitas curah hujan Indonesia
ditampilkan oleh Hulme dan Sheard (1999) pada
Gambar 9. Pemakaian model untuk jenis ini
sekarang cukup meluas hingga pembahasan
faktor sosial ekonomi masyarakat akibat dampak
perubahan iklim global tersebut. Pemakaian model
untuk skenario iklim biasa dilakukan pada iklim
yang telah lama terjadi pada pemakaian iklim
paleo atau pada iklim yang masih jauh akan terjadi
seperti pada skenario pengaruh gas-gas rumah
kaca atau perubahan iklim global.
Pemakaian model iklim untuk keperluan
praktis lainnya seperti masalah polusi dan asap
kebakaran hutan juga dilakukan seperti pada
pengkajian penyebaran asap kebakaran hutan di
Indonesia oleh Heil dkk (2004; Gambar 10). Dari
hasil kajian dan simulasi skenario iklim, berbagai
kebijakan para pengambil keputusan yang
berhubungan dengan data cuaca dan iklim dapat
lebih terpadu guna lagi. Yang pada akhirnya
pemakaian model iklim diharapkan merupakan
salah satu upaya mengerti mekanisme dan proses
mitigasi bencana iklim dan cuaca.
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
50
5. MENUJU PEMODELAN KEBUMIAN
TERINTEGRASI
Model iklim kedua yang paling banyak
dipakai setelah model iklim atmosfir adalah model
iklim laut. Perbedaan utama model laut dan
atmosfir adalah skala waktu gerak yang lebih
cepat untuk atmosfir. Parameter utama dalam
dinamika laut adalah profil suhu dan salinitas.
Sehingga proses dinamika laut sering disebut
sebagai thermohaline circulation. Sedangkan
parameter utama untuk muka laut adalah suhu dan
tinggi muka laut. Aplikasi model laut sering
dipergunakan untuk kajian aliran masa air laut
untuk kepentingan fisika laut dan perikanan. Model
laut regional sering dipakai untuk pengkajian
daerah pesisir untuk masalah sedimentasi dan
polutan. Model iklim laut adalah komponen utama
untuk melakukan prediksi iklim bulanan dan tiga
bulanan karena sifat lautan yang lama bereaksi
dalam dinamikanya. Pemakaian kedepan dari
model laut adalah pengembangan untuk masalah
biogeokimia laut seperti proses pelarut gas-gas
rumah kaca dan model biologi laut untuk perikanan
serta hubungan proses biologi dan fisika laut.
Sebagai contoh telah diketahui hubungan
keberadaan zat besi di muka laut terhadap
populasi zooplanton dan pada akhirnya
mendinginkan lapisan atmosfir permuka-an yang
menghambat proses pemanasan global.
Keberadaan proses biologi juga dicurigai sebagai
pemicu gejala El Nino dan La Nina.
Beberapa varian lain dari model iklim yang
juga dipakai adalah model es laut, model hidrologi
permukaan, model proses permukaan tanah,
model transport kimia laut dan atmosfir, model
biogeokimia dan model iklim sosial ekonomi.
Masing masing model juga terdapat dalam skala
regional dan global. Kecendrungan model selalu
mengarah ke perhitungan global dalam tujuan
untuk membuat suatu model sistim iklim dunia.
Sehingga pendekatan untuk menggabungkan
beberapa model merupakan suatu trend
pemakaian model iklim tersendiri. Gambar 11
memberikan ilustrasi proses penggabungan antara
model iklim atmosfir regional dengan model iklim
laut global untuk wilayah Indonesia (Aldrian et al.
2004b). Penggabungan dua buah model iklim tidak
selalu mulus karena banyak faktor terkait. Sebagai
contoh antara model iklim laut dan atmosfir dapat
terjadi proses redam yang mengalir ke kedua
model tersebut. Hal ini karena proses tarik menarik
dua gelombang yang berbeda fase dan frekuen-
sinya. Proses redam tersebut dapat berarti positif
karena pada model iklim yang lepas satu sama
lain, biasanya tidak ada kontrol dinamis di daerah
lapis batas model sehingga seringkali hasil
keluaran model bersifat terlalu ektrim seperti curah
hujan yang terlalu tinggi.
Salah satu varian model iklim yang lagi tren
saat ini adalah model iklim bidang biogeokimia di
atmosfir dan lautan. Untuk aplikasi di atmosfir
diperlukan hubungan dari pemakaian berbagai zat-
zat kimia seperti DDT dan bagaimana pengaruh
penyebarannya terhadap ekologi lokal, regional
dan global. Untuk wilayah laut masalah biogeo-
chemistry diperlukan untuk mengetahui siklus
karbon yang terjadi dan hubungannya terhadap
upaya peredaman dampak pemanasan global dan
mekanisme penyebaran zat-zat kimia di muara
sungai atau wilayah pesisir seperti kasus Buyat
yang baru lalu atau pencemaran red tide di teluk
Jakarta bulan Maret 2004.
Semakin tingginya kompleksitas model iklim
sebenarnya memberikan bahaya tersendiri pada
interpretasi hasil karena kompleksitas berarti
semakin banyak faktor turunan kesalahan dari
asumsi teori yang dipakai dari masing masing
model. Pemakaian model-model yang kompleks
lebih kepada penggunaan sebagai modeling an-
sich yaitu pemakaian model sebagai alat untuk
mengerti proses komprehensif di belakang dari
parameter yang diinginkan. Diperlukan proses
panjang agar dapat diambil umpan balik dari
proses tersebut untuk memperbaiki model yang
dipakai. Sehingga hasil model lebih sering dipakai
untuk verifikasi data lapangan daripada dipakai
untuk prediksi proses-proses kompleks.
Pemakaian model untuk prediksi lebih banyak
untuk model atmosfir. Pemakaian model lebih
banyak untuk verifikasi, dimana sering dipakai
sebagai media kontrol untuk eksperimen berbagai
skenario ilmiah. Pemakaian model untuk jenis ini
jelas berbahaya karena hasil yang didapat sering
mengabaikan proses kompleks yang terjadi di
alam dan seringkali menyederhanakannya dengan
melihat perbedaan antara hasil model kontrol dan
model skenario belaka. Apalagi apabila kita
melihat aspek turunan asumsi kesalahan teori.
Walau demikian model adalah satu satunya alat
eksperimen yang paling murah dan aman bagi
lingkungan serta mudah dilakukan.
Proyek perpaduan berbagai model iklim
adalah upaya besar yang saat ini dilakukan untuk
memahami lebih komprehensif berbagai isu iklim
dan lingkungan global. Masalah terbesar adalah
resolusi model dan sistim parameterisasi proses.
Saat ini sebuah komputer tercanggih di dunia telah
dipasang di Earth Simulator Project di Yokohama
Jepang (http://www.es.jamstec.go.jp/esc/eng/) un-
tuk melakukan penelitian tersebut. Diharapkan
dapat dilakukan simulasi iklim dunia pada resolusi
1 hingga 3 km dengan model global. Model ini
diharapkan dapat memberikan proses konvektif
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
51
laut atmosfir yang sesuai dengan realitas di alam,
meskipun hanyalah pendekatan.
6. CATATAN AKHIR
Pemakaian model iklim atmosfir dan laut
untuk Indonesia relatif masih baru. Keterbatasaan
sumber daya manusia dan komputer untuk
masalah ini merupakan hambatan tersendiri. Untuk
kebutuhan wilayah yang sedemikian luas,
Indonesia membutuhkan pengamatan iklim
terpadu yang cukup mencakup seluruh wilayah
Indonesia. Hal tersebut membutuhkan biaya yang
sangat besar. Data hujan sendiri yang merupakan
model utama verifikasi berbagai model iklim tidak
tersusun rapi dan memadai. Kebutuhan komputer
mungkin dapat diatasi dengan teknologi murah
seperti linux cluster, tetapi untuk penggunaan data
membutuhkan kerjasama internasional yang
handal untuk kelangsungan model tersebut.
Kompleksitas masalah lingkungan dan iklim di
Indonesia dewasa ini mendorong kita cepat atau
lambat untuk mengadopsi pemakaian model iklim.
Saat ini tersedia banyak model iklim di internet
yang dapat diakses secara gratis dan dipakai
sebagai model iklim komunitas.

DAFTAR PUSTAKA
Aldrian, E., 2003, Simulations of Indonesian
Rainfall with a Hierarchy of Climate Models,
PhD dissertation, Max Planck Insitute for
Meteorology
Aldrian, E., R. D. Susanto, 2003, Identification of
three dominant rainfall regions within Indonesia
and their relationship to sea surface suhue, Intl.
J. Climatol., 23, 1435-1452
Aldrian, E., L. D. Gates, F. H. Widodo, 2003,
Variability of Indonesian Rainfall and the
Influence of ENSO and Resolution in ECHAM4
simulations and in the Reanalyses, MPI Report
346, 30pp [Available from Max Planck-Institut
für Meteorologie, Bundesstr. 55, D-20146,
Hamburg, Germany.]
Aldrian, E., L. D. Gates, D. Jacob, R. Podzun, D.
Gunawan, 2004a, Long term simulation of the
Indonesian rainfall with the MPI Regional
Model, Climate Dynamics, 8, 794-814
Aldrian, E., D. Sein, D. Jacob, L. Dümenil-Gates,
R. Podzun, 2004b, Modelling Indonesian
Rainfall with a Coupled Regional Model,
accepted in Climate Dynamics
Ffield, A., K. Vranes, A. L. Gordon, R. D. Susanto,
1999, Temperature variability within Makassar
Strait, Geophys. Res. Lett., 27, 237-240
Godfrey, J. S., 1996, The effect of the Indonesian
throughflow on circulation and heat exchange
with the atmosphere: A review. J. Geophys.
Res., 101, 12,217–12,337.
Gordon, A. L., R. D. Susanto, A. Ffield, 1999,
Throughflow within Makassar Strait, Geophys.
Res. Lett., 26, 3325-3328
Heil, A., B. Langmann, E. Aldrian, 2004,
Indonesian peat and vegetation fire emissions:
Factors influencing large-scale smoke-haze
dispersion, Mitigation and Adaptation Strategy
for Global Change, in press
Hulme, M. and Sheard, N., 1999, Climate Change
Scenarios for Indonesia Climatic Research
Unit, Norwich, UK, 6pp.
http://www.cru.uea.ac.uk
IPCC panel, 2001, IPCC Report „Climate Change
2001: The Scientific Basis“,
Kamenkovich, V. M., W. H. Burnett, A. L. Gordon,
and G. L. Mellor, 2003, The Pacific/Indian
Ocean pressure difference and its influence on
the Indonesian Sea circulation: Part II- The
study with specified seasurface heights., J.
Marine. Res., 61, 613–634.
Levitus, S., T. P. Boyer, M. E. Conkright, T.
O’Brien, J. Antonov, C. Stephens, L.
Stathoplos, D. Johnson, and R. Gelfeld, 1998,
Introduction. NOAA Atlas NESDIS 18, Ocean
Climate Laboratory, National Oceanographic
Data Center, vol 1, chap. World Ocean
database 1998., US Government Printing
Office, Washington, DC.
Trenberth K. E., 1992, Climate System Modeling,
Cambridge Univ Press.

RIWAYAT PENULIS
Born in Jakarta, 2 August 1969,
received Bachelor degree in
Engineering Physics in McMaster
University Canada, 1993,
received Master of Science in
Earth Science in Radar
Meteorology from Nagoya
University Japan, 1998, received
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
52
a Doctoral degree from Max Planck Institut für
Meteorologie, Germany, 2003. Work as a scientist
in UPT Hujan Buatan, BPPT since November
1993. Lecturer of Marine Meteorology at
University of Indonesia since 2004. Participating in
several short courses: STMDP preparation
program, 1988-1989; short course on Meteorology
in UI, March 1995; training on data analysis of
wind profiler radar in Radio Atmospheric Science
Center, Kyoto University, Japan, November 1995;
basic training Geographic Information System,
Geography Dept. UI, June 1996; International
Hydrology Programme Training Course with topic
Ice and Snow Hydrology, IHAS, Nagoya University
and UNESCO, March 1998; Visiting scientist in
Max Planck Institut für Meteorologie, Hamburg,
learn the Indonesian climate variability and
ECHAM GCM, Jan – March and July – September
1999; Advanced Course: Climate change in the
mediterranean region part I: physical Aspects, The
Abdus Salam International Center for Theoretical
Physics ICTP, Trieste, Italy, March 2001; short
course on Meteorology: Predictability, Diagnostics
and Seasonal Forecasting, European Center for
Medium Range Weather Forecast (ECMWF),
Reading, UK, April 2001; PRISM/COACh Summer
School on Climate Modelling, Max Planck Institut
für Meteorologie-KNMI The Netherlands, Les
Diablerets, Switzerland; School on the physics of
the Equatorial Atmosphere, ICTP, Trieste, Italy,
September 2001; Seminar on Predictability of
Weather and Climate, ECMWF, Reading, UK,
September 2002.



Gambar 1. Sistim iklim muka bumi

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
53


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)

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
54

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.

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
55

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)

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
56

Gambar 6. Sistim arus laut permukaan akibat angin monsoon di Indonesia bagian timur sebagai keluaran
dari model iklim laut dari Aldrian (2003)
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
57

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).

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
58


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)

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
59


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).

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
60

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).

Prosiding Semiloka Teknologi Semulasi dan Komputasi serta Aplikasi 2004
61
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 DAS sangat penting untuk kajian
sumber daya air, pembangunan dan manajemen.
Sebagai contoh digunakan untuk menganalisa
kualitas dan kuantitas aliran air, operasi sistem
reservoir, perlindungan dan pembangunan
groundwater dan watersurface, sistem distribusi air,
penggunaan air dan aktivitas manajemen
sumberdaya air. Alokasi air juga membutuhkan
integrasi model DAS dengan model lain seperti
lingkungan fisik, populasi biologi dan kegiatan
ekonomi. Pada massa datang model akan
memerankan peranan penting dalam kehidupan.
Berbagai macam model DAS telah
dikembangkan seiring dengan berkembangnya
dunia digital (komputer). Baik itu model empiris
(black box model), model konseptual (physical
process based), lumped model, model distribusi,
model single events dan model kontinyu
(continoust events). Dan semuanya dibangun
dengan persamaan matematika.
Pada tahun 1990an mulailah digunakannya
arificial neural networks (ANN) untuk model
hidrologi. Hal ini dikarenakan ANN mempunyai
kemampuan untuk belajar dari data dan tidak
membutuhkan waktu yang lama dalam pembuatan
model. Selain itu ANN juga mempunyai sifat
nonlinier. ANN mampu mengidentifikasi struktur
model dan ANN juga efektif dan mampu
menghubungkan input output simulasi dan model
peramalan tanpa membutuhkan struktur internal
DAS
(1)
.
Pada paper ini akan dibahas aplikasi model
ANN untuk mengevaluasi rainfall-runoff dan
memprediksi aliran sungai pada 2 buah DAS, yaitu
DAS Terauchi, Jepang dan DAS Cidanau,
Indonesia.

2. BACKPROPOGATION NEURAL NETWORKS

Model pembelajaran ANN yang digunakan
adalah backpropogation dengan struktur multilayer.
Terdiri 3 layer yaitu input layer, hidden layer dan
output layer. Input layer mempunyai n node.
Hidden layer mempunyai h node dan output layer
mempunyai m node.
Algorithma pembelajaran ANN Backpropo-
gation dijelaskan sebagai berikut
(2,3)
:

2.1. Inisialisasi pembobot
Pembobot awal pada ANN diberi nilai secara
acak. Nilai acak ini biasanya berkisar -1 ~ 1 atau 0
~ 1.
Prosiding Semiloka Teknologi Semulasi dan Komputasi serta Aplikasi 2004
62
2.2. Perhitungan nilai aktifasi
Perhitungan feedforward dimulai dengan
menjumlahkan hasil perkalian input xi dengan
pembobot vji. Dan menghasilkan Hj yang
merupakan nilai input ke fungsi aktivasi hidden
layer. Kemudian output yj pada hidden layer unit j
merupakan hasil fungsi aktivasi f dengan masukan
Hj. Hal ini telah diformulasikan dalam persamaan 1
dan 2.

=
i
i ji j
x v H (1)
( )
j j
H f y = (2)
Nilai output pada hidden layer kemudian dikalikan
dengan pembobot wkj dan menghasilkan nilai Ik
yang merupakan nilai input fungsi aktivasi output
layer.
Nilai output zk pada output layer dihitung
dengan menggunakan fungsi aktivasi f dengan
masukan Ik. Hal ini telah diformulasikan dalam
persamaan 3 dan 4.
j
j
kj k
y w I

= (3)
( )
k k
I f z = (4)
dengan fungsi aktivasi berupa fungsi sigmoid
sebagai mana berikut ini:
( )
x
e
x f
β −
+
=
1
1
(5)
dimana β adalah gain atau slope fungsi sigmoid
(konstanta).

2.3. Pelatihan (pengkoreksian) nilai pembobot
Pelatihan nilai pembobot pada ANN ini
dilakukan dengan mengurangi/menurunkan total
error system untuk semua data melalui koreksi
(adjusment) pembobot dengan Gradient Descent
Method. Koreksi pembobot dapat ditulis sebagai
persamaan berikut:
( ) ( ) s W E s W
p
∂ ∂ − = + ∆ / 1 η (6)
dimana η adalah laju pembelajaran (konstanta
yang nilainya 0< η <1).
Secara ringkas pengkoreksi pembobot
antara output layer dan hidden layer adalah
sebagai berikut:
( ) ( )
j k z k kj
kj
y I f t t w
w
E
'
− = ∆ =


− η η (7)
dan pengkoreksi pembobot antara hidden layer
dan input layer adalah sebagai berikut:
( )

= ∆ =



k
kj k j i kj
ji
w H f x v
v
E
δ η η
'
(8)
dimana
( ) ( )
k z k k
I f t t
'
− = δ (9)
Untuk mempercepat konvergen,
ditambahkan inersia atau momentum, yaitu
dengan menambahkan pengkoreksi pembobot
sebelumnya ke pengkoreksi pembobot sekarang.
Sehingga pengkoreksi pembobot antara output
layer dan hidden layer dan antara hidden layer dan
input layer berturut-turut ditulis seperti berikut ini:
( ) ( ) t w
w
E
t w
kj
kj
kj
∆ +


− = + ∆ α η 1 (10)
( ) ( ) t v
v
E
t v
ji
ji
ji
∆ +


− = + ∆ α η 1 (11)
dimana α adalah momentum (konstanta 0<α<1).
Proses perhitungan pembobot antara output
layer dan hidden layer dilakukan dengan
persamaan berikut:
( ) 1 + ∆ + = t w w w
kj
old
kj
new
kj
(12)
dan pembobot antara hidden layer dan input layer
dilakukan dengan persamaan berikut:
( ) 1 + ∆ + = t v v v
ji
old
ji
new
ji
(13)

2.4. Pengulangan
Keseluruhan proses ini dilakukan pada
setiap contoh dan setiap iterasi. Proses pemberian
contoh atau pasangan input-output, perhitungan
nilai aktifasi dan pembelajaran dengan
mengkoreksi pembobot dilakukan terus menerus
sampai didapatkan nilai pembobot dengan nilai
total error system mencapai minimum global.

3. BAHAN DAN METODE

Model ANN digunakan untuk menganalisis
hubungan rainfall dan runoff pada 2 buah DAS,
yaitu DAS Terauchi di Jepang dan DAS Cidanau di
Indonesia. DAS Terauchi berada di Fukuoka
Jepang mencakup luasan sekitar 5055 ha. Data
harian curah hujan, evapotranspirasi dan debit
aliran sungai tercatat dengan baik selama 4 tahun,
mulai 1986 sampai 1990
(4)
. Data tahun 1986-1987
digunakan untuk pembelajaran dan data tahun
1988-1989 untuk verifikasi. Data DAS Cidanau
tahun 1996 sampai 2000
(5)
. Data tahun 1996-1997
untuk pembelajaran dan data tahun 1998-1999
untuk verifikasi.
Struktur ANN yang digunakan adalah
multilayer time-delay. Tiga struktur ANN multilayer
digunakan untuk ujicoba (jumlah node
mengindekasikan untuk masing-masing model
dalam masing-masing layer). Berikut adalah ketiga
model tersebut:
a) Model 1 (3 – 5 – 1) : 3 node input yaitu
rainfall, evapotranspirasi, runoff t-1; 5 node
hidden layer dan 1 node output layer yaitu
runoff t.
Prosiding Semiloka Teknologi Semulasi dan Komputasi serta Aplikasi 2004
63
b) Model 2 (4 – 5 – 1) : 4 node input yaitu
rainfall, evapotranspirasi, runoff t-1, runoff
t-2; 5 node hidden layer dan 1 node output
layer yaitu runoff t.
c) Model 3 (5 – 5 – 1) : 5 node input yaitu
rainfall, evapotranspirasi, runoff t-1, runoff
t-2, runoff t-3; 5 node hidden layer dan 1
node output layer yaitu runoff t.

Rainfall (t)
Evapotranspiration (t)
Runoff (t)
Runoff (t-n)
Runoff (t-n+1)
Runoff (t-2)
Runoff (t-1)
Input layer
Hidden layer
Output layer
Gambar 1. Arsitektur model ANN untuk prediksi
runoff

Laju pembelajaran, konsatanta momentum
dan gain fungsi sigmoid diberi nilai sama yaitu 0.9.
Pemberhentian proses pembelajaran didasarkan
pada jumlah iterasi. Pada penelitian ini
pembelajaran berhenti jika iterasi mencapai 5000.
Software ANN yang digunakan adalah Backpro2N
yang ditulis dalam bahasa pemrograman computer
Borland Delphi 5.
Kinerja model ANN dilihat dari indikator
keeratan linier runoff observasi dan perhitungan
yang berupa R (Coefficient of Correlation) dan
indikator error yang berupa RMSE (Root Square
Mean Error). Evaluasi model juga dapat dilihat
secara kualitatif deviasi time of peak dan
perbandingan kurva yang memberikan
keseluruhan gambaran keandalan model.

4. HASIL DAN PEMBAHASAN

Pada tabel 1 disajikan hasil kinerja masing-
masing model yang berupa korelasi (R) dan Root
Means Square Error (RMSE) untuk DAS Terauchi
dan DAS Cidanau. Korelasi dan RMSE hubungan
runoff (discharge) hitung dengan observasi baik itu
hasil training DAS Terauchi maupun DAS Cidanau
menunjukan bahwa model 1 memberikan hasil
yang terbaik.
Sedangkan untuk verifikasi DAS terauchi,
model 3 menujukan hasil yang terbaik baik itu
dilihat dari korelasi maupun RMSE. Sedangkan
verifikasi DAS Cidanau, model 1 menujukan hasil
yang terbaik. Penurunan korelasi antara hasil
training dan verifikasi DAS terauchi tidak
mengalami perubahan sebesar yang terjadi pada
DAS Cidanau. Hal ini diduga data DAS Cidanau
terdapat kesalahan data yang lebih besar dari
pada Das Terauchi. Atau mungkin juga terjadi
perubahan penggunaan lahan pada DAS Cidanau.
Sehingga hasil verifikasi DAS Cidanau tidak sebaik
saat training. Padahal dalam penyusunan model
ini pengunaan lahan dianggap tetap atau tidak
terjadi perubahan penggunaan lahan.
DAS Terauchi 1986-1987 hasil training
Model 1 disajikan pada Gambar 2 dan hasil
verifikasi DAS Terauchi 1988-1989 model 1 pada
Gambar 3. Terlihat pada hidrograf DAS Terauchi
1986-1987 untuk puncak maksimum belum bisa
terjangkau sedangkan untuk puncak rendah sudah
dengan baik tergambarkan oleh model 1.
Sedangkan saat verifikasi baik itu puncak
maksimum maupun minimum sudah dapat
tergambarkan dengan baik oleh model 1. DAS
Cidanau 1996-1997 hasil training Model 1
disajikan pada Gambar 4 dan hasil verifikasi DAS
Cidanau 1998-1999 model 1 pada Gambar 5.
Terlihat pada hidrograf DAS Cidanau 1996-1997
untuk puncak maksimum bisa terjangkau begitu
pula untuk puncak rendah sudah dengan baik
tergambarkan oleh model 1. Sedangkan saat
verifikasi baik itu puncak minimum sudah dapat
tergambarkan dengan baik oleh model 1 dan
sebaliknya puncak tinggi belum bisa terjangkau.


Tabel 1. Kinerja R dan RMSE model
DAS Terauchi DAS Cidanau
Training
1986-1987
Verifikasi
1988-1989
Training
1996-1997
Verifikasi
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



Prosiding Semiloka Teknologi Semulasi dan Komputasi serta Aplikasi 2004
64
0
25
50
75
100
125
150
0 60 120 180 240 300 360 420 480 540 600 660 720
day
D
i
s
c
h
a
r
g
e

(
m
m
/
d
)
0
50
100
150
200
250
300
R
a
i
n
f
a
l
l

(
m
m
/
d
)
Rainfall Q calculate Q observed


Gambar 2. Hidrograf DAS Terauchi 1986-1987 hasil training model 1




0
25
50
75
100
0 60 120 180 240 300 360 420 480 540 600 660 720
day
D
i
s
c
h
a
r
g
e

(
m
m
/
d
)
0
50
100
150
200
250
300
R
a
i
n
f
a
l
l

(
m
m
/
d
)
Rainfall Q calculated Q observed

Gambar 3. Hidrograf DAS Terauchi 1988-1989 hasil verifikasi model 1
Prosiding Semiloka Teknologi Semulasi dan Komputasi serta Aplikasi 2004
65
0
25
50
75
0 60 120 180 240 300 360 420 480 540 600 660 720
day
D
i
s
c
h
a
r
g
e

(
m
m
/
d
)
0
50
100
150
200
250
R
a
i
n
f
a
l
l

(
m
m
/
d
)
Rainfall Q calculated Q observed

Gambar 4. Hidrograf DAS Cidanau 1996-1997 hasil training model 1




0
25
50
75
0 60 120 180 240 300 360 420 480 540 600 660 720
day
D
i
s
c
h
a
r
g
e

(
m
m
/
d
)
0
50
100
150
200
250
R
a
i
n
f
a
l
l

(
m
m
/
d
)
Rainfall Q calculated Q observed

Gambar 5. Hidrograf DAS Cidanau 1998-1999 hasil verifikasi model 1





Prosiding Semiloka Teknologi Semulasi dan Komputasi serta Aplikasi 2004
66
5. KESIMPULAN

Ketiga Model ANN yang dibuat telah
mampu dengan baik menduga runoff DAS
Terauchi dan DAS Cidanau. Dari ketiga model
yang dikembangkan model 1 (3 – 5 – 1)
memberikan hasil yang terbaik baik itu untuk DAS
Terauchi maupun DAS Cidanau.

DAFTAR PUSTAKA

1. V. P. Sing, and D. A. Woolhiser, Mathematical
and Modeling of Watershed Hydrology.
Journal of Hydrologic Engineering. Vol. 7, no.
4. July 21, pp 270~292, 2002.
2. L. Fu, Neural Networks In Computer
Intelligence, McGraw-Hill, Inc, Singapore,
1994.
3. D. W. Patterson, Artificial Neural Networks
Theory and Application, Printice Hall, New
York, 1996.
4. T. Fukuda, and Y. Nakano, Collections Of
Hydrologic Data For Terauchi Watershed.
Laboratory Of Irrigation And Water Utilization,
Kyushu University, Japan. (Unpublished),
2001.
5. A. Heryansyah, M. Y. J. Purwanto and A.
Goto, Runoff Modelling in Cidanau Watershed,
Banten Province, Indonesia, Proceedings of
the 2nd Seminar Toward Harmonization
Between Development and Environmental
Conservation in Biological Production, JSPS-
DGHE Core University Program in Applied
Biosciences, The University of Tokyo, Japan,
pp 13~18, 2003.























RIWAYAT PENULIS

Prof. Dr. Ir. Budi I. Setiawan,
MAgr lahir di Tasikmalaya, 28
Juni 1960. Menamatkan S1
tahun 1983 di Institut Pertanian
Bogor (IPB) dalam bidang
Teknik Pertanian, Menamatkan
S2 tahun 1990 dan S3 tahun
1993 di The University of Tokyo,
Jepang dalam bidang Teknik Pertanian. Saat ini
penulis bekerja sebagai staf pengajar pada
Departemen Teknik Pertanian FATETA IPB.
Penulis juga menjadi anggota pada organisasi
profesi ilmiah:
a. JSIDRE (Japan Society of Irrigation,
Drainage and Reclamation Engineering)
b. ISPWEE (International Society of Paddy
and Water Environmental Engineering)
c. ICIS (Indonesian Society on Computer and
Informations Sciences)
d. PERTETA (Perhimpunan Teknik Pertanian
Indonesia)
e. HATHI (Himpunan Ahli Teknik Hidraulik
Indonesia)

Rudiyanto, STP lahir di
Jombang, 28 Agustus 1980.
Menamatkan S1 tahun 2002 di
Institut Pertanian Bogor (IPB)
dalam bidang Teknik Pertanian.
Saat ini penulis menjadi
mahasiswa Sekolah Pasca-
sarjana pada Program Studi
Ilmu Keteknikan Pertanian, IPB. Penulis juga
menjadi anggota pada organisasi profesi ilmiah
PERTETA (Perhimpunan Teknik Pertanian
Indonesia).




Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
67
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

Program Linier sudah cukup lama dikenal
mampu membantu memecahkan permasalahan
formulasi pakan ternak yang cukup kompleks.
Secara sederhana penggunaan Program Linier di
dalam penyusunan ransum pakan ternak
khususnya pakan ternak sapi didefinisikan sebagai
memaksimalkan atau meminimalkan sejumlah
fungsi terhadap kendala-kendala (
(1)
Bath, et. al,
1985). Lebih jauh
(2)
Lovell, T, 1998 mengatakan
bahwa untuk memformulasikan pakan
menggunakan konsep Least Cost Ratio
memerlukan sejumlah data seperti : Biaya bahan
pakan yang digunakan dalam ransum, kandungan
nutrisi bahan tersebut, tabel kebutuhan nutrisi,
ketersediaan nutrient dari bahan pakan, batasan-
batasan nutrisi dan non nutrisi.Penggunaan
metode Program Linier ini pada implikasinya
memerlukan bantuan penggunaan komputer
(
(3)
Cullison, A.E., 1975), karena pemecahan secara
manual menggunakan metode simpleks
memerlukan waktu yang cukup lama dan rumit
(
(1)
Bath, et.al, 1985).
Bantuan komputer yang dimaksud
diantaranya adalah penggunaan perangkat lunak
(Program) komputer yang mampu memecahkan
perhitungan Program Linier khususnya untuk
formulasi ransum pakan ternak. Program yang
dimaksud saat ini sudah cukup banyak dibuat.
Kendala yang ada adalah bahwa program khusus
untuk Program Linier ini selain sulit diperoleh juga
relatif lebih sulit dalam menggunakannya terutama
dalam aturan-aturan penulisan model Program
Linier, sehingga diperlukan usaha yang lebih untuk
mempelajarinya.
Microsoft Excel yang merupakan produk dari
Microsoft Corp, selama ini dikenal sebagai
program lembar kerja (Spreadsheet) yang sudah
cukup banyak penggunanya, melalui program
tambahan yang terintegrasi (add in) yang
dimilikinya ternyata program ini memiliki
kemampuan untuk memecahkan persoalan
perhitungan Program Linier. Microsoft Excel
memiliki salah satu fasilitas tambahan (add-in)
yang dapat menghitung persamaan simultan yang
melibatkan sejumlah variabel untuk
memaksimalkan atau meminimalkan hasil melalui
kombinasi variabel tersebut, fasilitas tersebut
dikenal sebagai fasilitas Solver (
(4)
Arifin, J.,
2000,
(5)
Pramono, D., 2000). Adanya kemampuan
ini memungkinkan Microsoft Excel melakukan
perhitungan Program Linier untuk penyusunan
ransum pakan ternak.
Penelitian ini bertujuan untuk mengevaluasi
kemampuan program Microsoft Excel untuk
memformulasikan pakan ternak menggunakan
metode Program Linier.
Evaluasi dilakukan dengan mencoba
penggunaan program Microsoft Excel dalam
memecahkan permasalahan formulasi pakan
ternak menggunakan Program Linier konsep Biaya
Produksi Terendah (Least Cost Ratio) dan Konsep
Maksimum Keuntungan (Maximum Profit).
Melalui penelitian ini diharapkan diperoleh
pengembangan wawasan tentang aplikasi program
komputer untuk penyusunan/formulasi ransum
ternak menggunakan Program Linier.
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
68
2. METODE PENELITIAN
Pada penelitian ini diambil dua referensi
model program linier penyusunan ransum pakan
ternak, yang dicoba dipecahkan menggunakan
program Microsoft Excel. Kedua model tersebut
masing-masing diadaptasi dari model Program
Linier untuk formulasi pakan ternak unggas melalui
konsep least cost ratio (non fuzy) hasil penelitian
(6)
Adrizal dan Marimin, 2003 yang menggunakan
QSB+ sebagai software pembantunya dan
formulasi pakan ternak sapi perah melalui konsep
maximum profit dari
(7)
Church, DC, 1990 (software
pembantu tidak disebutkan). Hasil perhitungan
menggunakan Microsoft Excel (dalam hal ini
penulis menggunakan program Microsoft Excel
versi 2003) kemudian dibandingkan dengan hasil
yang diperoleh dari kedua model referensi di atas..

2.1. Model Formulasi Pakan Ternak Unggas
Konsep Least Cost Ratio (Adrizal dan
Marimin, 2003)

Model ini menunjukkan per-hitungan
Program Linier dalam menghitung biaya produksi
yang terkecil. Perhitungan dilakukan untuk
memperoleh kombinasi variabel bahan pakan
terhadap fungsi minimisasi harga total ransum
dengan pemenuhan terhadap faktor-faktor
pembatas (kendala). Pada Lampiran Tabel 1
diterangkan kandungan gizi, harga bahan pakan
serta kendala-kendala yang menyertainya, setelah
itu dibuat pemodelan untuk fungsi meminimumkan
biaya untuk memproduksi pakan ini.

PEMODELAN LEAST COST RATIO

Minimumkan biaya ransum :

1550 jagung +1000 dedak padi + 1250 Dedak
gandum + 1000 Bungkil kelapa + 3500 Bungkil
kedelai +5500 Tp ikan + 3500 Tp. Daging tulang +
4500 minyak sawit + 6000 dicalsium phosphat +
15000 topmix

Dengan kendala :

1. 0.086 jagung + 0.130 dedak padi + 0.158
Dedak gandum + 0.210 Bungkil kelapa +
0.440 Bungkil kedelai + 0.600 Tp ikan +
0.46 Tp. Daging tulang ≥ 22
2. 0.086 jagung + 0.130 dedak padi + 0.158
Dedak gandum + 0.210 Bungkil kelapa +
0.440 Bungkil kedelai + 0.600 Tp ikan +
0.46 Tp. Daging tulang ≤ 23
3. 0.038 jagung + 0.017 dedak padi + 0.048
Dedak gandum + 0.018 Bungkil kelapa +
0.005 Bungkil kedelai + 0.020 Tp ikan +
0.100 Tp. Daging tulang + 0.99 minyak
sawit ≥ 2.5
4. 0.038 jagung + 0.017 dedak padi + 0.048
Dedak gandum + 0.018 Bungkil kelapa +
0.005 Bungkil kedelai + 0.020 Tp ikan +
0.100 Tp. Daging tulang + 0.99 minyak
sawit ≤ 7.0
5. 0.25 jagung + 0.120 dedak padi + 0.108
Dedak gandum + 0.150 Bungkil kelapa +
0.070 Bungkil kedelai + 0.010 Tp ikan +
0.020 Tp. Daging tulang ≤ 5
6. 0.0001 jagung + 0.0006 dedak padi +
0.0010 Dedak gandum + 0.0020 Bungkil
kelapa + 0.0025 Bungkil kedelai + 0.0650
Tp ikan + 0.1070 Tp. Daging tulang +
0.2600 dicalsium phosphat ≥ 0.90
7. 0.0001 jagung + 0.0006 dedak padi +
0.0010 Dedak gandum + 0.0020 Bungkil
kelapa + 0.0025 Bungkil kedelai + 0.0650
Tp ikan + 0.1070 Tp. Daging tulang +
0.2600 dicalsium phosphat ≤ 1.20
8. 0.0013 jagung + 0.0090 dedak padi +
0.0065 Dedak gandum + 0.0020 Bungkil
kelapa + 0.0025 Bungkil kedelai + 0.0350
Tp ikan + 0.0550 Tp. Daging tulang +
0.1300 dicalsium phosphat ≥ 0.48
9. 0.0020 jagung + 0.0050 dedak padi +
0.0060 Dedak gandum + 0.0064 Bungkil
kelapa + 0.0290 Bungkil kedelai + 0.0530
Tp ikan + 0.0310 Tp. Daging tulang ≥ 1.25
10. 0.0020 jagung + 0.0050 dedak padi +
0.0060 Dedak gandum + 0.0064 Bungkil
kelapa + 0.0290 Bungkil kedelai + 0.0530
Tp ikan + 0.0310 Tp. Daging tulang ≥ 0.42
11. 0.0010 jagung + 0.0020 dedak padi +
0.0030 Dedak gandum + 0.0020 Bungkil
kelapa + 0.006 Bungkil kedelai + 0.0060
Tp ikan + 0.0027 Tp. Daging tulang ≥ 0.20
12. 33.29 jagung + 19.00 dedak padi + 15.80
Dedak gandum + 15.40 Bungkil kelapa +
24.91 Bungkil kedelai + 27.20 Tp ikan +
17.60 Tp. Daging tulang + 72.00 minyak
sawit ≥ 3000
13. 33.29 jagung + 19.00 dedak padi + 15.80
Dedak gandum + 15.40 Bungkil kelapa +
24.91 Bungkil kedelai + 27.20 Tp ikan +
17.60 Tp. Daging tulang + 72.00 minyak
sawit ≤ 3050
14. Jagung ≥ 20
15. Jagung ≤ 60
16. Dedak Padi ≤ 15
17. Dedak Padi ≤ 8
18. Bungkil kedelai ≥ 10
19. Bungkil kedelai ≤ 10
20. Tp. Ikan ≤ 8
21. Tp. Daging Tulang ≤ 7.5
22. Minyak sawit ≤ 2
23. Top mix ≤ 0.5
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
69
24. Jagung + dedak padi + Dedak gandum +
Bungkil kelapa + Bungkil kedelai + Tp ikan
+ Tp. Daging tulang + minyak sawit +
dicalcium phosphat = 100

2.2. Model Formulasi Pakan Ternak Sapi Perah
Konsep Maximum Profit (Church, D.C.,
1990)

Pada model ini perhitungan formulasi
dilakukan dengan mengkaitkan kemampuan
produksi ternak dengan kandungan nutrisi ransum
yang dikonsumsi, sehingga pada model ini selain
data tentang kandungan nutrisi masing-masing
bahan pakan, juga diperlukan data produksi ternak
itu sendiri (dalam contoh ini adalah data produksi
susu sebagai fungsi dari energi laktasi netto),
seperti terlihat pada Lampiran Tabel 2, dan Tabel
3.. Produksi ternak dinilai sebagai income, dan
harga bahan pakan sebagai pengeluaran, dan
fungsi objektifnya adalah memaksimum-kan
keuntungan.

PEMODELAN MAKSIMUM PROFIT

Maksimumkan Keuntungan :

0.25 SUSU – 0.1056 X1 – 0.0865 X2 – 0.292 X3 –
0.072 X4 – 0.2348 X5 – 0.1419 X6 – 0.1348 X7 –
0.1254 X8 – 0.066 X9

Dengan Kendala :

1. X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8
+ X9 < 22.2 (asupan bahan kering)
2. 1.89 X1 + 2.42 X2 + 2.07 X5 + 2.66 X6 +
1.21 X7 + 1.70 X8 + X7 – 0.33 P1- 0.51
P2 - 0.77 P3 - 1.1 P4 – 1.21 P5 – 1.34 P6 -
1.7 P7 - 2.38 P8 – 3.22 P9 > 12.36
(energi)
3. 0.107 X1 + 0.1 X2 + 0 X3 + 0 X4 + 0.515
X5 + 0.249 X6 + 0.16 X7 + 0.08 X8 + 0
X9 – 0.074 SUSU > 0.881 (Protein)
4. 0.0005 X1 + 0.0002 X2 + 0.237 X3 +
0.3607 X4 + 0.0036 X5 + 0.0015 X6 +
0.0135 X7 + 0.0027 X8 + 0 X9 – 0.0026
SUSU > 0.0264 (Ca)
5. 0.0036 X1 + 0.0031 X2 + 0.1884 X3 +
0.002 X4 + 0.0075 X5 + 0.0073 X6 +
0.0022 X7 + 0.002 X8 + 0 X9 – 0.0019
SUSU > 0.024 (P)
6. SUSU – P1 – P2 – P3 – P4 – P5 – P6 –
P7 – P8 – P9 = 0
7. P1 < 9.00 (selang produksi 1)
8. P2 < 9.00 (selang produksi 2)
9. P3 < 4.50 (selang produksi 3)
10. P4 < 4.50 (selang produksi 4)
11. P5 < 4.50 (selang produksi 5)
12. P6 < 2.25 (selang produksi 6)
13. P7 < 2.25 (selang produksi 7)
14. P8 < 2.25 (selang produksi 8)
15. P9 < 10.00 (selang produksi 9)
16. X9 > 0.05 (batas bawah garam)
17. X9 < 0.10 (batas atas garam)

2.3. PEMODELAN MENURUT MICROSOFT
EXCEL

Di dalam program Microsoft Excel
permodelan linier programing untuk model di atas
dilakukan dengan cara :
a. Mengasumsikan semua fungsi bersifat linier
b. Mengasumsikan semua aktifitas bernilai positif
c. Fungsi objektif memaksimumkan atau
meminimumkan subjek sebagai Target Cell
d. Kumpulan Variabel sebagai Changing Cell
e. Kumpulan fungsi Kendala sebagai Subject to
the Constraints

3. HASIL PENELITIAN DAN PEMBAHASAN
Hasi dari penelitian ini disajikan pada Tabel
5, dan Tabel 6. Pada Tabel 5 terlihat bahwa
perhitungan yang dilakukan oleh Microsoft Excel
secara keseluruhan sama dengan hasil penelitian
yang dilakukan oleh Adrizal, dan Marimin, 2003 hal
ini menunjukkan bahwa dalam model linier konsep
least cost ratio ini program Microsoft Excel mampu
melakukannya.
Dari tabel 6 terlihat bahwa terdapat perbedaan
pada perhitungan kandungan biji kapas dalam
konsentrat dan perbandingan Hijauan dan
konsentrat, hal ini terjadi karena Microsoft Excel
tidak mempunyai fasilitas yang otomatis untuk
menghitung permasalahan ini, tetapi secara
keseluruhan hasil perhitungan yang substansi
tidak terdapat perbedaan antara model perhitugan
dari Church, D.C. 1990 dengan perhitungan yang
dilakukan oleh program Microsoft Excel, karena
program ini sudah mampu mengatasi fungsi-fungsi
kendala yang dikehendaki.

4. KESIMPULAN DAN SARAN

4.1. Kesimpulan
Program Microsoft Excel melalui program
tambahan terintegrasinya yaitu solver secara
umum dapat dipergunakan sebagai alat bantu
untuk memecahkan persoalan penyusunan
ransum pakan menggunakan metode linier
programing

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
70
4.2. Saran
Perlu penelitian lebih lanjut untuk meneliti
kemampuan lainnya dari program ini, khususnya
dalam proses penyusunan ransum pakan ternak..

Terima Kasih
Saya ucapkan terima kasih kepada : UPT.
BPPTK LIPI Yogyakarta atas bantuan penyediaan
fasilitas hardware dan software komputernya.

DAFTAR PUSTAKA

1. Bath, D.L. et.al, Dairy Cattle : Principles,
Practices, Prolems, Profits 3
Rd
Ed, Lea &
Febiger, , 1981, Philadelphia, p. 205-217.

2. Lovell, T., Nutrition and Feeding of Fish, Kluwer
Academic Publishers, 1998, Massachusetts, p.
142-144.

3. Cullison, A.E., Feeds And Feeding Animal
Nutrition, Prentice Hall, 1975,New Delhi,
p.330-333.

4. Johar Arifin, Manajemen Proyek Terapan, PT
Elex Media Komputindo, 2000, Jakarta, hal.
126-137.

5. Djoko Pramono, Belajar Sendiri Microsoft Excel
2000, PT. Elex Media Komputindo, 2000,
Jakarta, hal. 359-366.

6. Adrijal, Marimin, Pendekatan Fuzzy untuk
Optimasi Formulasi Ransum Ternak Unggas,
Makalah Seminar Nasional Perteta, Kelompok
Sistem, Makalah ke-1, 2003,Subang, hal. 5-8.


7. Church, D.C., Livestock Feeds and Feeding. 3
rd

Ed, Prentice-Hall International, 1990, USA,
p.233-235.


RIWAYAT PENULIS
Hendra Herdian, SPt. lahir di Kota
Bandung pada tanggal 21
Desember, 1968, Menamatkan
pendidikan strata satu (S1) di
Fakultas Peternakan Universitas
Padjadjaran Bandung. Saat ini
bekerja sebagai staf peneliti di
bidang pakan ternak UPT BPPTK LIPI di
Gunungkidul Yogyakarta.
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
71
LAMPIRAN

Tabel 1. Kandungan Gizi dan Harga Bahan Pakan

Kandungan Gizi dan Harga Bahan Pakan

KENDALA
Bahan
Pr
ot
ein
Le
ma
k SK Ca P Lisin Met Tryp ME
Harga
(Rp/Kg)
Min Max
Jagung 8.
6 3.8 2.5 0.01 0.13 0.2 0.2 0.1
332
9 1550 20 60
Dedak Padi
13 1.7 12 0.0 0.9 0.5 0.2 0.2
190
0 1000 - 15
Dedak
Gandum
15
.8 4.8
10.
8 0.1 0.65 0.6 0.1 0.3
158
0 1250 - 8
Bkl Kelapa
21 1.8 15 0.2 0.2 0.64 0.29 0.2
154
0 1000 - -
Bkl Kedelai
44 0.5 7 0.25 0.25 2.9 0.6 0.6
249
1 3500 10 30
Tepung
Ikan 60 2 1 6.5 3.5 5.3 1.8 0.6
272
0 5500 - 8
Tp Daging
Tulang 46 10 2 10.7 5.5 3.1 0.58 0.27
176
0 3500 - 7.5
Minyak
Sawit 99
720
0 4500 - 2
Dicalcium
Phosphat 26 13 6000 - -
Topmix 15000 0.5 0.5

KENDALA
Minimum
22 2.5 - 0.9 0.42 1.25 0.42 0.20
300
0
Maksimum
23 7 5 1.2 - - - -
305
0


Tabel 2. Representasi Linier dari Produksi Susu terhadap Energi Netto untuk Laktasi (NEl)


Pembagian
Selang
produksi
Selang Produksi
Susu, kg
Produksi Susu,
kg
NE Laktasi.
Kg/Milk,
Mcal
Harga
susu/ Kg
($)
P1 0.00 – 9.00 9.00 0.33
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
0.25




Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
72
Tabel 3. Kendala Yang menyertai Model

Kendala Asupan Bahan
Kering
(kg)/hari
Energi
M cal
Protein
Kg/hari
Kalsium
Kg/hari
Phospor
Kg/day
Garam
Kg/day
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
BK,
%
$/t
on
$/kg
NE l
Mcal
/kg
MEm
,
Mcal/
kg
NEg,
Mcal/
kg
PK
%
Ca
%
P
%
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
Phosphat
100.0 29
2
0.2920 - - - - 23.70 18.84
X4 Tepung
Kapur
100.0 72 0.0720 - - - - 36.07 0.02
X5 Bungkil
Kedele
89.0 20
9
0.2348 2.07 2.09 1.43 51.5 0.36 0.75
X6 Biji Kapas 93.0 13
2
0.1419 2.66 2.41 1.69 24.9 0.15 0.73
X7 Hay Alfalfa 89.0 12
0
0.1348 1.21 1.24 0.68 16.0 1.35 0.22
X8 Silase
Jagung
27.9 35 0.1254 1.70 1.56 0.99 8.0 0.27 0.20
X9 Garam 100 66 0.0660 - - - - - -
SUSU Jumlah total produksi susu

Kebutuhan produksi
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
73
Tabel 5. Tabel Hasil Formulasi Ransum Ayam Broiler Periode Starter Menggunakan Konsep Least Cost
Ratio

Bahan Pakan
Hasil Menurut Adrizal, dan
Marimin,2003
Hasil Perhitungan
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

Variabel Bahan Pakan
Menurut
Church,D.C. 1990
Perhitungan
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

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
74

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

75
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
Fitoplankton, organisma penyebab Harmful
Algal Blooms (HABs), adalah organisma satu sel
mikroskopik yang hidup di perairan tawar maupun
laut. Kebanyakan fitoplankton adalah tidak
berbahaya selama pertumbuhannya normal dan
tidak mengganggu ekosistem di sekitarnya karena
pada dasarnya mereka adalah produsen energi
(produsen primer) pada suatu rantai makanan
dalam ekosistem. Algal Blooms adalah fenomena
melimpahnya jumlah fitoplankton di suatu perairan
di atas kondisi normal pertumbuhan fitoplankton di
perairan tersebut. Sedangkan Harmful Algal
Blooms (HABs) adalah fenomena Algal Blooms
yang memiliki dampak negatif, baik terhadap
manusia maupun ekosistem di sekitarnya.
Dalam jangka waktu sekitar 20 tahun,
kejadian HABs di dunia telah mengalami
peningkatan, tidak hanya dalam frekuensi kejadian
tetapi juga secara geografis
(1)
.
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

76
Sumber:
Hallegraeff,
1993)












Gambar 1. Distribusi Global dari PSP pada tahun 1970 dan
1990 (Hallegraeff, 1993).

Dapat dilihat pada Gambar 1 diatas, kejadian
HABs yang pada tahun 1970-an hanya terjadi di
perairan temperate, telah dilaporkan pada tahun
1990-an terjadi di perairan tropis, antara lain
Indonesia.
Dalam uraiannya, Hallegraeff (1993)
menyebutkan 3 tipe HABs:
1. Spesies yang tidak menyebabkan perubahan
warna air tetapi dapat menyebabkan kematian
ikan dan invertebrata karena deplesi oksigen
(contoh: Dinoflagelata : Gonyaulax sp. dan
Noctiluca sp.)
2. Spesies yang tidak toksik terhadap manusia
tapi toksik terhadap ikan dan invertebrata,
karena antara lain dapat mematahkan insang
(contoh : Chaetoceros sp.)3. Spesies yang
memproduksi toksin, dapat memasuki rantai
makanan hingga ke tubuh manusia dan
menyebabkan berbagai gangguan pada sistem
pencernaan dan sistem saraf manusia:
a. Paralytic Shellfish Poisoning (PSP) :
Alexandrium sp.
b. Diarrhetic Shellfish Poisoning (DSP) :
Dinophysis sp.
c. Amnesic Shellfish Poisoning (ASP) :
Nitzschia sp.
c. Ciguatera Fishfood Poisoning (CFP) :
Gambierdiscus sp.
d. Neurotoxic Shellfish Poisoning (NSP) :
Gymnodinium sp.

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
konsentrasi nutrien di suatu badan air). Namun,
secara umum, pemicu kejadian HABs adalah
kombinasi atau gabungan dari perubahan
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).

APLIKASI ANN UNTUK MENDETEKSI HABs

Berbagai upaya telah dilakukan untuk
meminimisasi terjadinya fenomena HABs, baik
untuk perairan tawar maupun laut. Sebagian besar
upaya dilakukan melalui program pemantauan,
baik dengan pengukuran langsung (sampel dari
perairan dianalisis dengan mikroskop) maupun
pengukuran tidak langsung (teknologi sensor dan
penginderaan jauh). Namun, program pemantauan
masih menemui berbagai kendala dalam
meramalkan terjadinya HABs karena masih
membutuhkan waktu lebih lanjut untuk pengolahan
data, selain sangat kompleksnya suatu sistem
akuatik sehingga kejadian HABs tidak dapat
diprediksi dari satu parameter saja maupun hanya
dengan persamaan linear. Sehingga dapat
disimpulkan bahwa model dinamik nonlinear-lah
yang dapat menggambarkan pola dari suatu
ekosistem akuatik (2).
Seperti yang telah diujicobakan di
Australia, ANN telah berhasil dijadikan suatu
sistem peringatan dini bagi fenomena HABs di 4
(empat) perairan tawar meliputi danau dan sungai
yang tersebar di Australia, Jepang dan Finlandia.
Pada bagian input data ANN di Danau Biwa,
Jepang, parameter yang dimasukkan meliputi
beberapa jenis nutrien, oksigen, kecerahan
(kedalaman penetrasi cahaya), temperatur, pH,
kecepatan angin dan klorofil a. Sedangkan pada
bagian output layer, terdapat beberapa jenis
fitoplankton yang memiliki potensi blooming pada
perairan tersebut (Gb.1.2.)


Gb.2. Struktur ANN untuk Danau Biwa, Jepang.(
Recknagel,1997).

Setelah melalui beberapa proses pembelajaran
diperoleh hasil yang cukup baik dalam
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

77
pemanfaatan ANN untuk prediksi HABs dari
Melosira granulata (Gb.1.3.)


Gb.3. Hasil validasi dari prediksi blooming Melosira
granulata di Danau Biwa, Jepang. (Recknagel, 1997).

Lebih lanjut, aplikasi ANN sebagai sistem
peringatan dini bagi fenomena HABs di Sungai
Darling, Australis juga telah dilakukan untuk
memprediksi blooming dari Anabaena spp.(3).
Hasilnya sangat memuaskan, dimana ANN dapat
dimanfaatkan untuk memprediksi waktu kejadian 4
minggu lebih awal.
Kejadian HABs di perairan Teluk Jakarta
telah beberapa kali terjadi, baik yang rutin maupun
yang insidentil. Kejadian HABs rutin biasanya
terjadi di awal musim penghujan dimana limbah
oranik, baik yang berasal dari limbah domestik
maupun agrikultur masuk ke sungai-sungai diguyur
hujan sebagai run-off hingga dapat langsung
memperkaya nutrien di perairan estuari dan laut.

2. TEORI DAN METODA EKSPERIMEN
Chaetoceros dan Skeletonema costatum
dipilih sebagai species obyek karena keduanya
telah seringkali blooming di perairan Teluk Jakarta.
Kejadian kematian masal ikan yang terjadi pada
bulan Mei 2004 yang lalu juga dilaporkan
disebabkan oleh antara lain Chaetoceros dan
Skeletonema sp.(4).
Sehubungan dengan keterbatasan data time
series yang akan digunakan sebagai input bagi
model ANN untuk Teluk Jakarta, maka sebagai
tahap awal akan dilakukan eksperimen dalam
skala laboratorium. Metoda yang akan dilakukan
dalam penelitian ini meliputi:
a. Kultur murni Chaetoceros dan Skeletonema sp.
dalam skala laboratorium. Kedua kultur
diujicoba tumbuh dalam berbagai kisaran nilai
beberapa parameter, meliputi :
1. OrthoPhosphat
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
konsentrasi yang diperoleh dari hasil skala
laboratorium) untuk mengkondisikan eutrofikasi.

c. Pembelajaran dan Pengujian ANN
Pembelajaran atau learning process
merupakan sarana pelatihan untuk
mendapatkan nilai bobot yang sesuai pada
setiap node yang membentuk jaringan syaraf
(ANN). Data akan dibagi menjadi 2 bagian
yang pertama untuk digunakan sebagai proses
pembelajaran yang disebut dengan data
training dan yang bagian kedua untuk proses
pengujian yang disebut data testing. Untuk
kasus diatas pola pembelajaran dan
pengujiannya dapat diuraikan sbb :
• Memasukan sejumlah data berupa nilai
angka pada node input dan output
• Menggunakan algoritma pembelajaran
seperti back propagation untuk melakukan
update nilai bobot pada node di lapisan
hiddennya
• Bila proses belajar sudah mencapai
konvergen, nilai bobot tersebut akan
disimpan dan untuk diujikan kembali untuk
data yang sama
• Mencatat prosentase kesalahan pada node
output, bila prosentase kesalahan cukup
besar maka prose belajar akan diulang
dengan memperbaiki algoritma atau
menambhakan node dilapisan hidden
• Melakukan pengujian dengan menggunakan
data yang berlainan dengan proses
pembelajaran
Mencatat kesalahan terjadi bila prosetase
cukup besar akan dilakukan pengulangan
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

78
proses belajar dengan memperbaiki data
training
Pada proses pembelajaran dalam penelitian
ini akan dimasukkan sebagian data angka-angka
parameter hasil pengujian, baik yang diperoleh dari
hasil skala laboratorium maupun dari hasil
mesokosm sebagai data pembelajaran.
Sedangkan data lainnya akan dimasukkan
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.

a. Sistem Telemetri
Pada sistem ini bagian input pada ANN
dihubungkan dengan sensor-sensor sehingga data
parameter lingkungan dapat langsung diambil
secara real time.
Data-data akan diambil pada setiap interval waktu
tertentu yang telah disetup pada mikroprosesor
(CPU). Nilai-nilai bobot yang telah disimpan pada
suatu memori ROM akan digunakan ANN prosesor
untuk melakukan proses pengenalan. Dengan
menggunakan gelombang radio (UHF) hasil
pengenalan akan dikirim oleh transmitter ke
receiver dipelabuhan terdekat yang selanjutnya
oleh server diinformasikan kepada user melalui
sistem jaringan komputer seperti internet. Bila
hasil pengenalan menunjukan pola yang baru
server akan memerintahkan CPU untuk belajar
kembali untuk memperbaiki nilai bobotnya.
Sensor, CPU, ANN Prosesor dan transmitter akan
diiintegrasikan dalam suatu perangkat yang
dinamakan Buoy (pelampung) yang selanjutnya
ditempatkan sepanjang waktu di lautan. Sistem ini
memang membutuhkan biaya yang cukup tinggi
dalam perawatannya, akan tetapi manfaat yang
tinggi tentunya akan seimbang dengan mengingat
tingginya kerugian secara ekonomis bila terjadi
HABs. Sebagai illustrasi untuk sistem telemetri ini
ditunjukan dalam gambar 5.

b. Sistem Mobile
Cara kerja perangkat sistem ini hampir sama
dengan sistem telemetri, hanya saja hasil
pengenalannya tidak ditransmit dengan gelombang
radio akan tetapi dikirim langsung ke komputer
melalui USB atau RS 232. Manfaat sistem mobile
lebih banyak kearah penelitian atau monitoring
lingkungan sesaat. Buoy dapat dipindahkan
sewaktu-waktu diperairan yang akan diteliti sesuai
dengan permintaan user. Dan hasil pengamatan
akan langsung diketahui dalam hitungan detik
tanpa melalui proses di laboratorium seperti
proses penghitungan plakton dengan
menggunakan mikroskop.


Gambar 5. Sistem Telemetri untuk HABs

4. KESIMPULAN

Pada makalah ini telah dijelaskan tentang
adanya kebutuhan terhadap suatu sistem
peringatan dini dalam mengatasi permasalahan
Algal Blooms di perairan Indonesia.
Sebagai alternatif, suatu sistem Jaringan
Saraf Tiruan, seperti telah dijelaskan di atas, dapat
dengan cepat membuat prediksi terhadap
“bencana” lingkungan tersebut sehingga dampak
merugikan dari fenomena tersebut, baik terhadap
manusia maupun ekosistem di sekitarnya, dapat
dihindari.

DAFTAR PUSTAKA

1. Hallegraeff, G.1993. A review of harmful algal
blooms and their apparent global increase.
Phycologia 32 ,79-99.
2. Recknagel, F., M.French, P.Harkonen dan
K.I.Yabunaka.1997. Artificial Neural Network
Approach for Modelling and Prediction of
Algal Blooms. Ecological Modelling 96, 11-28.
3. Maier, H.R., G.C. Dandy dan M.D.Burch.1998.
Use of Artificial Neural Networks for
Modelling Cyanobacteria Anabaena spp. In
the River Murray, South Australia. Ecological
Modelling 105, 257-272.
4. Adnan, Q.2004. Penyimpangan Iklim dan
Kematian Biota di Teluk Jakarta. Proceeding
Workshop: Deteksi, Mitigasi dan Pencegahan
Degradasi Lingkungan Pesisir dan Laut di
Indonesia: 77-83.

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

79

RIWAYAT PENULIS
Rahmania A. Darmawan lahir di
Bandung pada tanggal 28
Desember 1971. Menyelesaikan
pendidikan S-1 di Jurusan Biologi
Institut Teknologi Bandung (ITB)
pada tahun 1995. Sejak tahun 1997
bekerja di Pusat Pengkajian dan
Penerapan Teknologi Lingkungan (P3TL) – BPPT.
Penelitian di bidang Algal Blooms dimulai pada
tahun 1997 dengan memanfaatkan teknologi
telemetri pada program pemantauan lingkungan
laut (SEAWATCH Indonesia). Pada tahun 2000-
2002 menyelesaikan program S2 dari University of
Bremen, Germany di bidang Aquatic Ecology
dengan spesialisasi pada thesis tentang Dampak
Eutrofikasi terhadap komunitas Fitoplankton di
Teluk Jakarta (Marine Ecology).

Hary Budiarto lahir di Surabaya pada 28 Juni
1967. Menamatkan
pendidikan S1 di Institut
Teknologi Sepuluh Nopember
(ITS) di Surabaya tahun 1990
dalam bidang Matematika
Terapan, menyelesaikan
pendidikan S2 di fakultas Ilmu
Komputer Universitas
Indonesia Jakarta tahun 1998
dan S3 di Tokyo Institute of
Technology pada Department
of Electric and Electrical tahun 2004. Saat ini
bekerja sebagai peneliti di bidang Teknologi
Informasi dan Komunikasi di Pusat Pengkajian dan
Penerapan Teknologi Lingkungan (P3TL) BPPT,
Jakarta. Penulis juga menjadi anggota pada
organisasi profesi ilmiah IEEE, COMSOC, COST
273, IEICE Japan dan IECI.

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

80

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
81
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
Pemanfaatan buah jeruk nipis sudah lama
dikenal oleh masyarakat Indonesia dan memiliki
nilai ekonomi yang tinggi. Harga buah jeruk nipis
ditentu-kan oleh mutu yang didasarkan pada
tingkat ketuaan dan kematangan serta berat.
Selama ini dalam pemanenan dan penjualan
hasil panen, petani jeruk nipis masih belum
melaku-kan pemilahan mutu sehingga harga jual
rendah. Sedangkan pedagang pengumpul dan
industri maka-nan dan obat tradisional melakukan
penyortasian mutu menggunakan prosedur analisa
warna kulit secara visual mata manusia dan jumlah
buah per kilogram dengan segala
keterbatasannya.
Berdasarkan hal tersebut maka diperlukan
suatu metode yang dapat menjamin keseragaman
mutu jeruk nipis. Metode pengukuran non konven-
sional yaitu menggunakan pengolahan citra digital
(image processing) menghasilkan data yang akan
diproses secara pembelajaran dengan jaringan
syaraf tiruan (artificial neural network) sehingga
dapat digunakan untuk menentukan mutu buah.
Tujuan umum dari penelitian ini adalah
untuk menentukan mutu jeruk nipis secara non
konven-sional dengan pengembangan algoritma
pengolahan citra digital dan jaringan syaraf tiruan.
Sedangkan secara khusus, meliputi:
mengembangkan algoritma pengolahan citra
digital untuk menganalisis parameter mutu jeruk
nipis, membangun model jaringan syaraf tiruan
untuk menentukan mutu jeruk nipis berdasarkan
analisis citra digital dan menguji perangkat lunak
yang dibangun dalam mengelompokkan buah
jeruk nipis sesuai deng-an kelompok mutu yang
berlaku.

2. TEORI PENUNJANG
2.1. Jeruk nipis
Jeruk nipis dalam Famili Rutaceae, Genus
Citrus dan species Citrus aurantifolia Swingle.
adapun spesies yang paling dekat adalah jeruk
pecal (Citrus mitis Blanco), jeruk kamquat (Citrus
japonica) dan jeruk purut (Citrus hystrix Aug. D.C.).
Jeruk nipis dikenal dengan nama lain, yaitu: jeruk
mipis, jeruk pecel, jeruk durga dan limau asam
(100
.
Jeruk nipis berasal dari daerah Indo-
Malaya
(16)
, pada tahun 1839, permulaan
penanaman jeruk nipis secara komersial di Florida
Selatan. secara geografis
(60
jeruk tumbuh pada
>Paper ini pernah dimuat “Forum Pasca Sarjana”, Vol. 27
No.1, Januari 2004
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
82
daerah
0
35 Lintang Utara sampai
0
40 Lintang
Selatan dan ketinggian pada 1000 meter di atas
permukaan laut. Suhu optimum bagi pertumbuhan
tanaman jeruk antara 25
0
C - 30
0
C. Secara umum
jeruk nipis termasuk tanaman tahunan (perennial)
yang masa reproduksinya terjadi berulang-ulang.
Buah jeruk nipis berwarna hijau menandakan
belum masak, dan akan berubah menjadi kuning
kecoklat-coklatan, bentuknya bulat sampai bulat
telur berdiameter ± 3 - 6 cm. Ketebalan kulit
buahnya ± 0.2 - 0.5 mm dan permukaannya
memiliki banyak kelenjar. Buahnya kadang-kadang
memiliki papila atas yang berwarna kuning kehijau-
hijauan. Struktur buah jeruk
(8)
(Gambar 1) terdiri-
dari flavedo (lapisan kulit luar yang mempunyai
kantong minyak) dan albedo sebagai sumber
pectin, daging buah berbalir dan bersegmen
(Segmen buahnya berdaging hijau kekuning-
kuningan dan mengandung banyak sari buah yang
beraroma harum) serta biji buah (biji buah terdapat
pada sebagian segmen buah yang berdaging).
Sari buahnya asam sekali yang berisikan asam
sitrat berkadar 7 - 8% dari berat daging buah.
Ekstrak sari buahnya sekitar 41% dari bobot buah
yang sudah masak
(9)
.











2.2. Pengolahan Citra Digital
Pengolahan citra digital merupakan proses
pengolahan dan analisis yang banyak melibatkan
persepsi visual. Citra digital dapat diperoleh secara
otomatik dari sistem penangkap citra membentuk
suatu matriks yang elemen-elemennya
menyatakan nilai intensitas cahaya atau tingkat
keabuan setiap piksel. Citra f(x,y) disimpan dalam
memori komputer (bingkai penyimpan citra/frame
grabber) dalam bentuk array N x M dari contoh
diskrit dengan jarak yang sama sebagai berikut :

( ) .
) 1 , ( ..... .......... ) 1 , ( ) 0 , (
.
.
.
.
..... ..........
.
.
.
.
.
.
.
.
) 1 , 1 ( ..... .......... ) 1 , 1 ( ) 0 , 1 (
) 1 , 0 ( ..... .......... ) 1 , 0 ( ) 0 , 0 (
,























=
m n f n f n f
m f f f
m f f f
y x F


Citra masukan diperoleh dari kamera yang
telah dilengkapi dengan alat digitasi yang
mengubah citra masukan berbentuk analog
menjadi citra digital, alat digitasi tersebut dapat
berupa penjelajahan silod-state yang
menggunakan matriks sel yang sensitif terhadap
cahaya yang masuk. Alat masukan citra yang
umum digunakan adalah kamera CCD (Charge
Coupled Device).
Warna merupakan respon psycho-
physiological dan intensitas yang berbeda.
Persepsi warna dalam pengolahan citra tergantung
pada tiga faktor, yaitu: spectral reflectance
(menentukan bagaimana suatu permukaan
memantulkan warna), spectral content (kandungan
warna dari cahaya yang menyinari permukaan)
dan spectral response (kemampuan merespon
warna dari sensor dalam imaging system). Adapun
model warna yang dikembangkan dalam
pengolahan saat ini adalah: RGB (Red Green
Blue), CMY(K) (Cyan, Magenta, Yellow), YCbCr
(Luminasie dan dua komponen krominasi Cb dan
Cr) dan HSI (Hue, Saturation, Intensity).
Persepsi pandangan manusia pada setiap
panjang gelombang tidak menggunakan sensor
akan tetapi menggunakan 3 pusat stimulus warna
RGB
(15)
. Didasarkan pada pendekatan tersebut
maka dalam penelitian ini menggunakan model
warna RGB. Tingkat RGB pola bit dikomposisikan
dari tiga warna tersebut dan masing-masing warna
mempunyai 2
8
atau 256 bit (0 - 255)
(13)
.
Model warna RGB yang dapat dinyatakan
dalam bentuk indeks warna RGB dengan cara
menormalisasi setiap komponen warna dengan
persamaan sebagai sebagai berikut:
B G R
R
r
+ +
= (1)
B G R
G
g
+ +
= (2)
B G R
B
b
+ +
= (3)
Dengan tekstur akan didapat informasi citra
untuk memprediksi kondisi objek dari sifat
permukaannya. Pengukuran tekstur dilakukan
terdiri dari energi, kontras, homo-genitas dan
entropy (Haralic, 1973). Energi berfungsi untuk
mengukur konsentrasi pasangan gray level pada
matriks co-occurance, kontras berfungsi untuk
mengukur perbedaan lokal dalam citra, homoge-
nitas berfungsi untuk mengukur kehomogenan
variasi gray level lokal dalam citra dan entropi
berfungsi untuk mengukur keteracakan dari
distribusi perbedaan lokal dalam citra.

2.3. Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (JST) adalah model
sistem komputasi yang bekerja seperti sistem
syaraf biologis pada saat berhubungan dengan
Gambar 1. Bagian-bagian buah jeruk nipis.
Kantong Minyak
Segmen Buah
Balir Buah
Albedo
Flavedo
Biji
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
83
dunia luar (Fauset, 1994). Model JST yang
digunakan dalam penelitian ini adalah arsitektur
feedforward (umpan maju). Sedangkan konsep
belajar yaitu algoritma belajar backpro-pagation
momentum yang merupakan perkembang-an dari
algoritma belajar backpropagation standar.
JST Backpropagation (BP) pertama kali
diperkenalkan oleh Rumelhart, Hinton dan William
pada tahun 1986, kemudian Rumelhart dan Mc
Clelland mengem-bangkannya pada tahun 1988,
JST BP dengan satu lapisan tersembunyi (hidden),
arah sinyal pada fase feedforward. Sedangkan
dasar pelatihan dari algoritma JST BP adalah
memodifikasi bobot interkoneksi W
nj
pada jaringan
sehingga sinyal kesalahan mendekati nol (Bishop,
1992).
Jaringan syaraf tiruan tersusun atas
sekumpu-lan neuron (simpul) yang terinterkoneksi
dan terror-ganisasi dalam lapisan-lapisan. Setiap
simpul mem-proses sinyal dengan fungsi
akivasinya yaitu fungsi sigmoid logistic
(3)
, fungsi
tersebut pada persamaan sebagai berikut :
( )
( )
x
e
x f


=
1
1
(4)
Besarnya nilai β dan α yang harus
digunakan dalam proses belajar, sedangkan nilai β
dan α terse-but tergantung pada permasalahan
yang dihadapi.












Adapun algoritma pelatihan
backpropagation lebih rinci
(2)
(sesuai dengan
Gambar 2) adalah sebagai berikut:
1. Inisialisasi pembobot (Weight)
Pembobot awal dipilih secara acak (random),
kemudian setiap sinyal input diberikan ke
dalam noda dalam input layer, lalu sistem akan
mengirim sinyal ke noda dalam hidden layer .
2. Perhitungan nilai aktivasi
Setiap noda pada hidden layer, dihitung nilai
net inputnya dengan cara menjumlahkan
seluruh ha-sil perkalian antara noda input (X
i
)
dengan pem-bobotnya (V
ij
), sebagaimana
pada persamaan 5.

=
=
n
i
ij i ij
V X Z
1
(5)
Jika setiap noda pada lapisan hidden telah
menerima nilai net input, langkah selanjutnya
adalah memasukkan nilai net input setiap noda
ke dalam fungsi aktivasi (fungsi sigmoid),
sebagaimana pada persamaan 6.
) (
exp 1
1
) (
ij
Z
ij
Z f
σ −
+
= (6)
dimana σ : konstanta fungsi sigmoid.
( )
ij j
Z f Z = (7)
) (
exp 1
1
jk j
W Z
k
Y

+
=
−σ
(8)
3. Perbaikan nilai pembobot (Weight)
Nilai output dari setiap noda pada output layer
hasil perhitungan pada jaringan dibandingkan
dengan nilai target yang diberikan dengan
persamaan jumlah kuadrat galat, sebagaimana
pada persamaan 9.
( )

− =
in
k
k k
Y T E
2
2
1
(9)
dimana : T
k
adalah nilai target yang diberi-kan
dan Y
k
adalah output dari hasil perhi-tungan
pada jaringan. Algoritma ini memper-kecil galat
dengan cara perambatan balik. Pada setiap
lapisan dilakukan perubahan pembobot
dengan menggunakan perhitung-an
matematika yang disebut dengan meto-de
delta rule. Perubahan pembobot (W) dalam
hidden yang didapatkan sesuai deng-an
persamaan :
j k jk
Z W αδ = ∆ (10)
dimana ∆W
jk
: perubahan nilai pembobot W
ij
,
α: konstanta laju pembelajaran, δ
k
: Galat
output ke k, Zj: fungsi sigmoid. Perubahan
pembobot (W) dalam hidden yang didapat-kan
sesuai dengan persamaan :
i j ij
X V αδ = ∆ (11)
Sehingga nilai perbaikan pembobot dapat
dibuat persamaan sebagai berikut:
jk jk jk
W lm W br W ∆ + = ) ( ) ( (12)
ij ij ij
V lm V br V ∆ + = ) ( ) ( (13)
Nilai laju pelatihan harus dipilih antara 0
sampai dengan 0.9. Laju pelatihan menen-
tukan kecepatan pelatihan sam-pai sistem
mencapai keadaan optimal. Prisip dasar
algoritma backpropagation adalah memper-
kecil galat hingga mencapai minimum global.
Minimum lokal adalah dimana galat sistem
turun, akan tetapi bukan merupakan solusi
yang baik bagi jaringan tersebut. Pemilihan
nilai laju pelatihan sangat penting karena jika
nilainya besar akan membuat sistem jaringan
Gambar 2. Model JST BP

V
i W
X
i

Y
k

Z
j

Z
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
84
melompati nilai minimum lokalnya dan akan
berosilasi sehingga tidak menca-pai
konvergensi. Sebaliknya nilai laju pela-tihan
yang kecil menyebabkan sistem jaringan
terjebak dalam minimum lokal dan
memerlukan waktu yang lama selama proses
pelatihan. Untuk menghindari keadaan
tersebut maka ditambahkan suatu nilai
konstanta momentum antara 0 sampai dengan
0.9 pada sistem tersebut, dengan demikian
nilai laju pelatihan dapat ditingkatkan dan
osilasi pada sistem dapat diminimumkan.
Perubahan nilai pembobot setelah dilakukan
penambahan konstanta momentum sesuai
dengan persamaan sebagai berikut:
) ( ) ( lm W Z br W
jk j k jk
∆ + = ∆ β αδ (14)
) ( ) ( lm V X br V
ij i j ij
∆ + = ∆ β αδ (15)
dimana β adalah konstanta momentum.
4. Iterasi
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.

n
T Y
RMSError
k k ∑

=
2
) (
(16)

dimana : Y
k
=nilai prediksi jaringan, T
k
=nilai target
yang diberikan pada jaringan dan n=jumlah contoh
data pada set validasi.

3. METODOLOGI PENELITIAN
3.1. Bahan dan Alat Penelitian
Bahan penelitian yang digunakan adalah
jeruk nipis segar dengan berbagai tingkat mutu (A,
B, C dan D) masing-masing 50 buah sampel.
Peralatan yang digunakan untuk pengolahan
citra adalah kamera charge Coupled device (CCD-
OC-05 D (Digital video camera)), 4 buah lampu (5
W / 220 V / 50 Hz.), kertas karton putih dan
perangkat lunak dalam bahasa MS. VB. 6.0 under
windows ME. Peralatan untuk pengolahan
konvensional adalah Timbangan digital (METTLER
PM-48000), Rheome-ter model CR-30,
refraktometer digital (Atago model PR-201 (0-
60%)), jangka sorong (caliper), penggaris dan
penggaris busur.

3.2. Prosedur Penelitian
Jeruk nipis segar dengan berbagai mutu,
terlebih dahulu dibersihkan dari noda/kotoran yang
melekat permukaan kulit buah. Adapun prosedur
penelitian adalah sebagai berikut :
a. Jeruk nipis di atas kain hitam dan putih
sebagai latar belakang dan terfokus oleh
kamera CCD dengan jarak 18.2 cm.
Sedangkan lampu pijar yang ditutupi dengan
kertas karton diletakkan pada ketinggian 35.5
cm di atas buah jeruk nipis dengan sudut
pencahayaan 35
0
.
b. Citra jeruk nipis direkam dengan ukuran: 256 x
192 piksel dan tingkat intensitas cahaya RGB:
256
c. Citra jeruk nipis direkam dalam file bereks-
tensi bmp dengan 145 KB.
d. Binerisasi citra jeruk nipis untuk memisahkan
latar belakang dan objek, sebagaimana pada
Gambar 3.
e. Proses thresholding yang akan didapat hasil
pengolahan citra digital, yaitu: nilai luas
proyeksi, indeks warna merah (r), hijau (g),
biru (b), energi, entropy, kontras dan
homogenitas, sebagaimana pada Gambar 4.











f. Setelah data hasil pengolahan citra didapat,
maka data tersebut digunakan sebagai
masukan JST untuk dapat menentukan mutu
jeruk nipis, sebagaimana pada Tabel 1.
Adapun model yang digunakan sebagai-mana
pada Gambar 5.a. dan 5.b.




















Gambar 3. Proses bine-
Risasi citra jeruk nipis.
Gambar 4. Proses
thresholding
LP
r
g
b
eg
et
kt
hm
O1
O2
O3
O4
Gambar 5.a. Model 1 JST mutu.

LP
r
g
b
kt
hm

O1


O2

O3


O4
Gambar 5.b. Model 2 JST mutu.
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
85












g. Pelatihan JST pada dua model tersebut
menggunakan algoritma backpropaga-tion,
dimana sebelum melakukan pelatihan terlebih
dahulu menentukan nilai laju konstanta
momentum dan fungsi aktivasi. Adapun dalam
percoba-an ini nilai konstanta yang digunakan
adalah parameter nilai laju pembelajaran (α) =
0.8, parameter nilai konstanta mo-mentum (β)
= 0.8 dan parameter nilai fungsi aktivasi = 1.
Jumlah pengulangan sebanyak 3000 kali,
sebagaimana terli-hat pada Gambar 6.
h. Dari pelatihan tersebut menghasilkan nilai
pembobot, dengan menggunakan nilai
pembobot dan set data validasi dapat
dilakukan proses validasi yang menghasilkan
set data prediksi dan error. Proses validasi
terlihat pada Gambar 7.








i. Validasi dengan membandingkan hasil
penentuan tingkat mutu JST dengan tingkat
mutu sebenarnya untuk mendapatkan nilai
akurasinya, hal ini dapat menggunakan
persamaan 17.
% 100 (%) × =
T
Y
Val ...................... (17)

4. HASIL DAN PEMBAHASAN
4.1. Evaluasi Tingkat Kematangan Jeruk Nipis
Dengan Metode Pengolahan Citra Digital
Dalam pengolahan data sistem warna RGB,
Indeks warna merah dapat membe-dakan umur
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
petik 160 hari, akan tetapi indeks warna merah
tidak dapat membedakan umur petik 160 hari
dengan umur petik 180. Hal ini sebagaimana pada
Gambar 8.












Indeks warna hijau dapat membeda-kan
umur petik 140 hari pada ambang batas bawah
0.392 dengan umur petik 160 hari dan umur petik
160 hari pada ambang batas bawah 0.377 dengan
umur petik 180 hari, akan tetapi indeks warna hijau
tidak dapat membedakan umur petik 120 hari
dengan umur petik 140 hari dan umur petik 160
hari. Gambar 9 memperlihatkan sebaran nilai
indeks warna hijaudengan umur petik SBM.












Indeks warna biru dapat membedakan umur
petik 120 hari pada ambang batas bawah 0.215
dengan umur petik 160 dan umur petik 180 hari,
akan tetapi indeks warna biru tidak dapat
membedakan umur petik 120 hari dengan umur
petik 140 hari. Gambar 10 memperlihatkan
sebaran nilai indeks warna biru dengan umur petik
SBM.












Dalam pengolahan data tekstur, dapat
diketahui dari perbedaan ambang batas atas dan
ambang batas bawah pada fitur kontras dan fitur
homogenitas tiap umur umur petik. Fitur kontras
dapat membedakan umur petik 180 hari pada
Gambar 8. Sebaran nilai indeks warna merah
dengan umur petik SBM
0.30
0.35
0.40
0.45
0.50
100 120 140 160 180 200
Umur Petik SBM (hr)
I
n
d
e
k
s

W
a
r
n
a

M
e
r
a
h
Gambar 10. Sebaran nilai indeks biru
dengan umur petik SBM
0.15
0.18
0.21
0.24
0.27
0.30
100 120 140 160 180 200
Umur Petik SBM (hr)
I
n
d
e
k
s

W
a
r
n
a

B
i
r
u
Gambar 9. Sebaran nilai indeks warna hijau
dengan umur petik SBM
0.33
0.36
0.39
0.42
0.45
100 120 140 160 180 200
Umur Petik SBM (hr)
I
n
d
e
k
s

W
a
r
n
a

H
i
j
a
u
Gambar 6. Pelatihan
JST mutu jeruk nipis
Gambar 7. Validasi
JST mutu jeruk nipis
Tabel 1.Tabel output JST mutu jeruk nipis
MUTU O
1
O
2
O
3
O
4
KETERANGAN
A 1 0 0 0 10 – 15 bh/kg
(awal tua/tua)
B 0 1 0 0 16 – 20 bh/kg
(awal tua/tua)
C 0 0 1 0 10 – 15 bh/kg
(matang/lewat
matang)
D


0 0 0 1 16 – 20 bh/kg
(matang/lewat
matang)
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
86
ambang bawah 0.667 dengan 120 hari dan 140
hari, akan tetapi data kontras antara umur petik
120 hari dan 140 hari dengan 160 hari tidak
menunjukkan perbedaan yang signifikan. Gambar
11 memperlihatkan sebaran nilai kontras dengan
umur petik SBM.
Fitur homogenitas dapat membedakan umur
petik 180 hari pada ambang atas 0.762 dengan
120 hari dan 140 hari, akan tetapi data
homogenitas antara umur petik 120 hari dan 140
hari dengan 160 hari tidak menunjukkan
perbedaan yang signifikan. Gambar 12
memperlihatkan sebaran nilai homogenitas
dengan umur petik SBM.

























4.2. Pelatihan dan Validasi Jaringan Syaraf
Tiruan
Nilai laju pembelajaran (α) = 0.8, konstanta
momentum (β) = 0.8, nilai fungsi aktivasi = 1 dan
jumlah iterasi =3000 dengan jumlah lapisan
tersembunyi 6, 9, 12 dan 15.
Kinerja jaringan terletak pada RMSE,
semakin rendah nilai RMSE yang dihasilkan pada
pelatihan, maka semakin baik kinerja jaringan.
Hasil pelatihan JST pada mutu model 1 dipilih,
dengan spesifikasi model: 8 parameter input, 15
lapisan tersembunyi dan 4 keluaran karena
terendah nilai errornya dan paling tepat dalam
menentukan mutu. Adapun keterkaitan antara
lapisan tersembunyi dengan error sebagaimana
ter-lihat pada Gambar 13.














Tabel 2 mengindikasikan hasil validasi mutu
dengan jumlah hidden 6, 9, 12 dan 15. Setelah
diverifikasi hasil model 1 dengan persamaan 17
dapat tepat memprediksi 95.83 % dari keluaran
yang telah ditetapkan sebelumnya.

Tabel 2. Validasi model 1 tingkat mutu pada
berbagai simpul dalam
Akurasi Model Tiap Lapisan
Dalam (%)
Klasifikasi
6 9 12 15
A (1000) 100 100 100 100
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
TOTAL 89.58 89.58 87.50 95.83

5. KESIMPULAN
1) Indeks warna merah dapat membedakan umur
petik 120 hari dengan 140 hari dan umur petik
140 hari dengan umur petik 160 hari, indeks
warna hijau dapat membedakan umur petik
140 hari dengan 160 hari dan umur petik 160
hari dengan umur petik 180 hari, indeks warna
biru dapat membedakan umur petik 120 hari
dengan 160 dan 180 hari.
2) Dalam pengolahan data tekstur yang dapat
digunakan adalah fitur kontras dan
homogenitas, Fitur kontras dapat
membedakan umur petik 180 hari dengan 120
dan 140 hari, Fitur homogenitas dapat
membedakan umur petik 180 hari dengan 120
hari dan 140 hari.
3) Keakuratan model JST yang paling ideal
adalah menggunakan parameter hasil
pengolahan citra sebagai data masukan
tingkat mutu (r, g, b, energi, entropi, kontras,
homogenitas dan luas proyeksi) dapat
menentukan mutu buah jeruk nipis dengan
tingkat keakuratan 95.83 %.
Gambar 12. Sebaran homogenitas
dengan umur petik SBM.
0.3
0.6
0.8
1.1
100 120 140 160 180 200
Umur Petik SBM (hr)
H
o
m
o
g
e
n
i
t
a
s
Gambar 11. Sebaran nilai kontras
dengan umur petik SBM.
0.0
0.5
1.0
1.5
2.0
2.5
3.0
100 120 140 160 180 200
Umur Petik SBM (hr)
K
o
n
t
r
a
s
Gambar 13. Grafiks RMSE tingkat mutu
model 1 dengan sejumlah
hidden pada iterasi 3000
0.0165
0.0170
0.0175
0.0180
0.0185
6 9 12 15
HIDDEN
R
M
S
E
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
87
DAFTAR PUSTAKA
[1] Ashari, S., Hortikultura Aspek Budidaya,
Universitas Indonesia. Jakarta, 1995.
[2] Fausett, L., Fundamentals Of Neural
Network Architectures : Algorithm and
Applications, Prentice-Hall, Inc., 1994.
[3] Hagan, Martin T., Neural Network Design.
PWS Publishing Company, Inc., USA., 1995.
[4] Hamdani, Y., Pengembangan Algo-ritma
Image Processing Untuk Menentukan dan
Warna Buah Manggis. (Cucumis sativus L.),
Thesis, Fateta., IPB., Bogor, 1998.
[5] Haralick, RM., K. Shanmugam and Itshak
Dinstein, Textural Features For Image
Classification, IEEE Transac-tion On
System, Man and Cybernetics. 3(6): 610 –
621, 1973.
[6] Hendro Sunarjono, Pengenalan Jenis
Tanaman Buah-buahan Dan Bercocok
Tanam Buah-buahan Penting di Indonesia,
Sinar Baru, Bandung, 1981.
[7] Khres, Penentuan Tingkat Ketuaan dan
Kematangan Sawo Dengan Jaringan Syaraf
Tiruan Dari Spektrum Infra Merah, Thesis,
Fateta., IPB., Bogor, 2002.
[8] Nagy, S., P.E. Shaw dan M.K. Veldhuis..
Citrus Science and Techgnology. Volume 1.
The AVI Publishing Company Inc. Westport
Connecticut. 1997.
[9] Nata Widjaja, P.S.. Mengenal Buah-Buahan
Yang Bergizi. Penerbit Pustaka Dian.
Jakarta. 1993.
[10] Rukmana, R., Jeruk Nipis, Penebar
Swadaya, Jakarta, 1996.
[11] Rumelhart (Bishop, CM.), Neural Networks
For Pattern Recognition. Clarendan Press,
Oxford., NY., 1995.
[12] Sarwono, B., Khasiat & Manfaat Jeruk Nipis,
PT. Agro Media Pustaka, Jakarta, 2001.
[13] Stephens, Rod, Visual Basic Graphics
Programming : Hands-On Application And
Advanced Color Development. Wiley
Computer Publishing, Inc., Canada, 2000.
[14] Subiyanto, Pemakaian Jaringan Sya-raf
Tiruan Perambatan Balik Sebagai Cara Lain
Prakiraan Beban Jangka Pendek Di Jawa
Tengah D.I.Y., Tugas Akhir Teknik Elektro
Fakultas Teknik UNDIP., Semarang, 1998.
[15] Suryadi.. Dasar Pengolahan Citra . Seri
Diktat Kuliah. STI&K-STMIK Jakarta.
Jakarta, 1994.
[16] Webber, The Citrus Industry, Vol. 1.,
University California Press, 1943.

Riwayat Hidup
Zainul Arham, S.Kom., M.Si.
Tempat Tgl Lahir: Jombang, 30 Juli
1974
Menamatkan pendidikan di IPB Prog
Studi Ilmu Keteknikan Pertanian,
konsentrasi Tek. Agrosistem &
Informatika pada tahun 2003.
Saat ini bekerja sebagai staf pengajar pada
Universitas Islam Negeri Jakarta dan Konsultan
Telematika Barusaka.

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
88

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
89
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

Sumber Daya Manusia (SDM) merupakan
aset yang sangat penting bagi perkembangan
setiap perusahaan untuk dapat mempertahankan
keberadaan perusahaan dalam era persaingan
terbuka dan global saat ini. Peningkatan kemam-
puan SDM untuk dapat menjalankan pekerjaannya
dengan lebih baik sangat diperlukan, oleh karena
itu hampir kebanyakan perusahaan mempunyai
agenda pelatihan secara rutin untuk mendukung
peningkatan SDM tersebut.
Sebenarnya proses pembelajaran tidak hanya
bertumpu pada pelatihan yang umum dilakukan,
tetapi dapat dilakukan dalam bentuk lainnya,
seperti dialog, tanya-jawab, berbagi pengalaman,
atau dokumen. Pelatihan merupakan bentuk
berbagi pengetahuan yang dikelola secara baik,
sedangkan yang lainnya belum dikelola dengan
baik. Pengetahuan merupakan sumber utama dari
proses pembelajaran tersebut. Oleh karena itu
pengembangan SDM ini sangat bergantung dari
pengetahuan yang dipelajarinya, dan mempunyai
pengaruh secara langsung terhadap perusahaan
itu sendiri.
Knowledge Management (KM) dapat
diterapkan untuk mendukung proses pengemba-
ngan sumber daya manusia melalui proses
knowledge sharing (berbagi pengetahuan) secara
lebih terstruktur. Pendekatan-pendekatan yang
cocok untuk penerapan knowledge management
sangat bergantung pada tujuan-tujuan yang ingin
dicapainya dengan baik.
Systems Dynamic (SD) merupakan teknik
yang cukup populer untuk memahami perilaku dari
sebuah sistem dengan baik
(1,2)
. Dan tulisan ini
menjelaskan satu model SD untuk menjelaskan
KM dalam proses pengembangan SDM.

2 KNOWLEDGE MANAGEMENT

Telah menjadi satu konsensus umum bahwa
pengetahuan marupakan dasar kompetisi dan
efektifitas operasi bisnis dalam setiap perusahaan.
Pengetahuan sebagai sumber bisa hilang dari
lingkungan organisasi dikarenakan beberapa
sebab, seperti kematian, mutasi kerja, bahkan
mungkin pindah kerja ke perusahaan lain yang
menjadi kompetitor. Sehingga pada prinsipnya
adalah kehilangan pengetahuan merupakan
kehilangan investasi yang sudah dilakukan
perusahaan, karena pengetahuan diperoleh
melalui proses pembelejaran dan pengalaman
yang cukup panjang.
Knowledge Management (KM) dapat
dipandang dari dua sisi yaitu secara operasional
dan strategis. KM secara operasional artinya KM
merupakan aktifitas organisasi dimana terjadi
pengembangan dan pemanfaatan pengetahuan,
sedangkan KM secara strategis artinya KM
merupakan langkah untuk memantapkan setiap
organisasi sebagai organisasi yang berbasis
pengetahuan.
Knowledge Management (KM) dapat
didefinisikan sebagai satu set (himpunan)
intervensi orang, proses dan tool (teknologi) untuk
mendukung proses pembuatan, pembauran,
penyebaran dan penerapan pengetahuan
(3)
.
Knowledge Management (KM) merupakan proses
yang terus-menerus harus dilakukan sehingga
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
90
proses tersebut akan menjadi satu budaya dari
perusahaan tersebut, dan akhirnya perusahaan
akan membentuk organisasi yang berbasis pada
pengetahuan.
Projek Knowledge Management (KM) dapat
diklasifikasikan dalam beberapa tipe yaitu
(4)
:
1. Mengumpulkan dan menggunakan ulang
pengetahuan terstruktur. Pengetahuan sering
tersimpan dalam beberapa bagian dari output
yang dihasilkan perusahaan, seperti disain
produk, proposal dan laporan projek, prosedur-
prosedur yang sudah diimplementasikan dan
terdokumentasikan dan kode-kode software
yang mana semuanya dapat dipergunakan
ulang untuk mengurangi waktu dan sumber
yang diperlukan untuk membuatnya kembali.
2. Mengumpulkan dan berbagi pelajaran yang
sudah dipelajari (lessons learned) dari praktek-
praktek. Tipe projek ini mengumpulkan penge-
tahuan berasal dari pengalaman yang harus
diinterpretasikan dan diadopsi oleh user dalam
kontek yang baru. Projek ini biasanya melibat-
kan sharing pengetahuan atau pelajaran
melalui database seperti lotus notes.
3. Mengidentifikasi sumber dan jaringan
kepakaran. Projek ini bermaksud untuk menja-
dikan kepakaran lebih mudah terlihat dan
mudah diakses bagi setiap karyawan. Dalam
hal ini adalah untuk membuat fasilitas koneksi
antara orang yang mengetahui pengetahuan
dan orang yang membutuhkan pengetahuan.
4. Membuat struktur dan memetakan pengeta-
huan yang diperlukan untuk meningkatkan
performansi. Projek ini memberikan pengaruh
seperti pada proses pengembangan produk
baru atau disain ulang proses bisnis dengan
menjadikan lebih explisit atau terbuka dari
pengetahuan yang diperlukan pada tahap-
tahap tertentu.
5. Mengukur dan mengelola nilai ekonomis dari
pengetahuan. Banyak perusahaan mempunyai
aset intelektual yang terstuktur, seperti hak
patent, copyright, software licenses dan data-
base pelanggan. Dengan mengetahui semua
aset-aset ini memungkinkan perusahaan untuk
membuat revenue dan biaya untuk
perusahaan.
6. Menyusun dan menyebarkan pengetahuan
dari sumber-sumber external. Perubahan
lingkungan bisnis yang cepat dan tidak
menentu telah meningkatkan kepentingan dan
kesungguhan pada business intelligence
system. Dalam projek ini perusahaan
berusaha mengumpulkan semua laporan dari
luar yang berhubungan dengan bisnis. Dalam
projek ini diperlukan editor dan analyst untuk
menyusun dan memberikan konteks terhadap
informasi-informasi yang diperoleh tersebut.
Penerapan KM akan memberikan pengaruh
terhadap proses bisnis perusahaan:
1. Penghematan waktu dan biaya. Dengan
adanya sumber pengetahuan yang terstruktur
dengan baik, maka perusahaan akan mudah
untuk menggunakan pengetahuan tersebut
untuk konteks yang lainnya, sehingga
perusahaan akan dapat menghemat waktu
dan biaya.
2. Peningkatan aset pengetahuan. Sumber
pengetahuan akan memberikan kemudahaan
kepada setiap karyawan untuk
memanfaatkannya, sehingga proses
pemanfaatan pengetahuan di lingkungan
perusahaan akan meningkat, yang akhirnya
proses kreatifitas dan inovasi akan terdorong
lebih luas dan setiap karyawan dapat
meningkatkan kompetensinya.
3. Kemampuan beradaptasi. Perusahaan akan
dapat dengan mudah beradaptasi dengan
perubahan lingkungan bisnis yang terjadi.
4. Peningkatan produktfitas. Pengetahuan yang
sudah ada dapat digunakan ulang untuk
proses atau produk yang akan dikembangkan,
sehingga produktifitas dari perusahaan akan
meningkat.
3. MODEL SIMULASI

Tulisan ini memberikan satu model pengaruh
penerapan knowledge management (KM) untuk
pengembangan sumber daya manusia (SDM)
dalam perusahaan pengembangan sistem
teknologi informasi. Perusahaan yang bergerak
dalam bidang teknologi informasi sangat kental
dengan penyimpanan dan penggunaan sumber
pengetahuan untuk menyelesaikan projek atau
pengembangan sistem. Sehingga proses
pembelajaran untuk mendukung proses
pengembangan SDM tidak hanya bertumpu pada
proses pelatihan formal saja, tetapi mungkin
diperoleh melalui pengalaman atau diskusi-diskusi.
Untuk membangun model pengaruh KM pada
proses pengembangan SDM dapat digunakan
diagram cuase-effect. Dan dari diagram ini akan
mudah dibangun simulasi yang menggunakan
teknik System Dynamic.
Personal knowledge (pengetahuan yang
dimiliki pribadi) akan membentuk organizational
knowledge (pengetahuan yang dimiliki
perusahaan). Bertambahnya pengetahuan yang
dimiliki pribadi akan bertambahnya pula
pengetahuan yang dimiliki oleh perusahaan, atau
sebaliknya (Gambar 1).
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
91
Personal
Knowledge
Organizational
Knowledge
+
+

Gambar 1. Interaksi Pengetahuan Pribadi dan
Perusahaan

Peningkatan pengetahuan dari setiap staff
akan mendorong berbagi pengetahuan satu sama
lain. Kemampuan atau pengetahuan pribadi ini
akan meningkatkan produktifitas kerja sehingga
penyelesaian pekerjaan juga akan meningkat. Dari
tugas-tugas yang diberikan dari pekerjaan akan
memberikan pengalaman, dokumen atau template
yang dipakai sehingga akan menambah juga
pengetahuan pribadi (Gambar 2).

Personal
Knowledge
Organizational
Knowledge
+
+
Produktifitas
Penyelesaian
Pekerjaan
Interaksi Antar
Pribadi
+
+
+
+
+

Gambar 2. Pengembangan Pengetahuan Pribadi

Pengetahuan yang staff bisa saja hilang
dikarena beberapa hal, seperti keluar dari
perusahaan, pindah ke departemen lain,
pengetahuan yang usang atau diperbaharui
(Gambar 3).

Personal
Knowledge
Organizational
Knowledge
+
+
Produktifitas
Penyelesaian
Pekerjaan
Interaksi Antar
Pribadi
+
+
+
+
+
Pengetahuan
Berubah
-
-
Staff
+
Rekrutasi
Keluar
Kehilangan PK
Kehilangan OK
Peningkatan PK
Peningkatan OK
+
+
+
-
-
-
+

Gambar 3. Perubahan PK dan OK


Kejadian-kejadian seperti ini banyak memberikan
pengaruh cukup besar bagi perusahaan seperti
perusahaan teknologi informasi, sehingga perlu
dicarikan solusinya. Knowledge management
dapat menjadi solusi untuk masalah-masalah
seperti di atas, karena pengetahuan menjadi
mudah diakses dan disimpan secara baik (Gambar
4).

Personal
Knowledge
Organizational
Knowledge
+
+
Produktifitas
Penyelesaian
Pekerjaan
Interaksi Antar
Pribadi
+
+
+
+
+
Pengetahuan
Berubah
-
-
Staff
+
Rekrutasi
Keluar
Kehilangan PK
Kehilangan OK
Peningkatan PK
Peningkatan OK
+
+
+
-
-
-
+
Aktifitas KM
Perubahan PK
menjadi OK
Perubahan PK
menjadi PK
Perubahan OK
ke PK

Gambar 4. KM Sebagai Solusi Pemindahan
Pengetahuan


Aktifitas knowledge management dapat
meningkatkan perpindahan pengetahuan PK-PK,
OK-PK, dan PK-OK.


4. KESIMPULAN DAN RISET LANJUTAN

Knowledge management merupakan langkah
strategis untuk perusahaan dalam proses
pengembangan sumber daya manusia yang
mempunyai pengetahuan pribadi yang dapat
meningkatkan produktifitas dan pengetahuan
perusahaan. Diagram cause-effect dapat
memberikan kemudahan untuk memahami
pengaruh knowledge management dalam
perusahaan dengan baik.
Model ini perlu terus dikembangkan untuk
memungkinkan lebih mengetahui terhadap
pengaruhhnya apabila diterapkan teknologi
informasi untuk mendukung knowledge
management, dan juga dapat dikaji tentang
pengaruh sistem manajemen perusahaan untuk
kelancaran penerapan knowledge management.


Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
92
DAFTAR PUSTAKA

1. MIT. Road Maps: A Guide to Learning System
Dynamics.

2. Kirkwood, Craig W. System Dynamics Methods:
A Quick Introduction. College of Business
Arizona State University, 1998.
3. Kotnour, T., Orr, C., Spaulding, J. and Guidi, J.
(1997). Determining the Benefit of Knowledge
Management Activities. International
Conference on Systems, Man, Cybernetics. 94-
99. Orlando, Florida.

4. Davenport, T., De Long, D. and Beers, M.
Research Note: What is a Knowledge
Management Project?.
http://www.businessinnovation.ey.com/mko/pdf/
KMPRES.PDF.

RIWAYAT PENULIS

Mohamad Haitan Rachman
lahir di kota Bandung tanggal 2
Agustus 1966. Sedang
mengikuti pendidikan S3 dalam
bidang Knowledge
Management di Multimedia
University (MMU), Cyberjaya
Malaysia. Saat ini sedang
memimpin sekolah tinggi
manajemen ilmu komputer
(STMIK) Mahakarya, Jakarta, dan perusahaan
yang bergerak dalam solusi manajemen dan IT,
PT Multiforma Sarana Consultant, Bandung. Dapat
dikontak melalui email haitan@multiforma.co.id.

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
93
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

Produktivitas dalam sebuah industri dewasa ini
dilaksanakan dengan menggunakan otomatisasi
mesin termasuk juga didalamnya proses yang
terintegrasi. System otomatisasi digunakan pada
suatu industri seperti industri kimia adalah untuk
meningkatkan kualitas dan kuantitas keluaran
(output) dari sebuah mesin dan sekaligus hal itu
menggantikan operator yang dijalankan oleh
manusia. Terutama dalam hal pengoperasian dan
pengendalian mesin dengan bantuan alat-alat
pengontrolan yang bersifat elektronik dan
komputer serta pemrogramannya.

Seiring dengan lajunya waktu ke waktu, proses
otomatisasi tersebut dapat terus mengalami
penyempurnaan seperti halnya visualisasi proses
produksi. System tersebut dapat mengontrol
proses produksi secara remote / jarak jauh,
merekam setiap aktivitas produksi yang sedang
berjalan, serta mencatat hasil produksi secara
langsung ke dalam sebuah database. Hal ini
diperlukan terutama bagi pengolahan industri kimia
yang tidak diperkenankan bersentuhan secara
langsung.

Semua hal itu dilakukan dengan perantara
seperangkat komputer yang dapat dihubungkan
dengan jaringan, sehingga setiap informasi yang
berkaitan dengan aktivitas produksi dapat
langsung diketahui, dikendalikan serta
dikoordinasikan oleh operator dan pihak yang
membutuhkannya dalam jarak tertentu. Dengan
demikian akan sangat membantu operator dalam
meningkatkan kwalitas kerjanya.

Pada penjelasan penelitian yang diuraikan dalam
makalah ini, system tersebut akan diujicobakan
untuk diterapkannya pada suatu bagian dari
industri kimia yaitu pada proses pengisian botol
atau bejana. Proses pengisian ini merupakan
suatu sistem yang terintegrasi yang dgerakkan
oleh sebuah motor. Dalam hal ini seorang operator
tidak diperkenan untuk berada terlalu sering pada
lokasi produksi, ia dapat tetap berada di ruang
operator ataupun ruang kendali utama. Hal itu
disebabkan untuk menghindari efek kimia yang
berbahaya secara langsung. Dengan demikian
operator cukup mengawasi proses produksi dan
pencatatannya dari sebuah ruangan yang aman
dari efek kontaminasi tersebut.
Selain itu dalam ruangan tersebut sudah
terpasang seperangkat komputer yang dapat
digunakan dan terhubung secara langsung dengan
sebuah mikrokontroler sebagai pengendali mesin
produksi, terutama untuk proses yang dianggap
cukup berbahaya bagi manusia. Dengan demikian
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
94
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 1. Diagram Blok

PC
PC atau Personal Computer digunakan sebagai
GUI (Graphical User Interface) yang berfungsi
untuk mengendalikan dan sekaligus memonitoring
sistem serta menyimpan data-data produksi guna
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.

Sedangkan program database digunakan sebagai
penyimpan data-data produksi yang sedang
berjalan ke dalam komputer. Adapun bentuk dari
visualisasi sistem pengisisan cairan pada suatu
bejana dapat dilihat pada gambar 2 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.

Mesin Produksi
Pada bagian mesin produksi Pengisian Botol
digunakan berbagai perangkat, yaitu: Konveyor
beserta motor penggeraknya, mesin pompa,
solenoid, limit switch dan level tank. Sistem
tersebut dapat dilihat pada gambar 3 berikut:



Gambar 3. Mesin Produksi Pengisian Botol

III. Prosedur Operasi
Operator dapat menggunakan software program
visualisasi pengisian botol untuk beberapa fungsi
dengan mengklik tombolnya melalui mouse,
sebagaimana terlihat pada gambar 4. Tombol
fungsi tersebut terdapat 3 tombol utama, yaitu:

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
95


Gambar 4. Tombol Fungsi

Tombol Start
Tombol Start digunakan untuk mengaktifkan
sistem pengisian botol yang akan berjalan secara
otomatis. Conveyor akan aktif untuk
menggerakkan ban berjalan. Dengan demikian
bejana yang akan diisi akan bergerak ke arah dan
dengan batas tertentu hingga menyentuh limit
switch. Selain itu ada pula tombol STOP.

Setelah tombol Stop ditekan, maka tulisan START
yang ada pada tombol akan berubah menjadi
STOP. Tombol Stop berfungsi untuk mengakhiri
atau mematikan sistem yang sedang berjalan,
sehingga sistem tidak lagi bekerja.

Tombol Data
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 5. Program Database

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
menandakan bahwa bagian yang berkedip
tersebut tidak dapat berjalan dengan sempurna
ataupun terjadi kerusakan.

Namun demikian kerusakan tidak selalu berada
pada bagian yang oleh program visualisasi
ditunjukkan berkedip-kedip. Untuk itu diperlukan
tombol-tombol tester yang fungsinya untuk
mengetes / menguji satu persatu komponen yang
ada. Tombol-tombol tester tersebut muncul setelah
tombol maintenance ditekan atau diklik. Hal ini
merupakan upaya pencarian kesalahan secara
manual. Dengan demikian sistem ini dapat
mengkombinasikan antara otomatisasi dengan
manual. Beberapa tombol tester pada industri
tersebut dapat ditampilkan gambar 6 dibawah ini.
Pada lokasi-lokasi utama perlu diletakkan dan
ditempatkan tombol tombol tersebut.




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
dari tangki 1 ke tangki 2. Jika tangki 2 tidak
penuh, ditandai pula dengan perubahan
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
96
warna pompa visualisasi pada komputer dari
warna merah menjadi hijau sebagai indikator
kerja pompa.
- Konveyor pada mesin produksi aktif atau
berjalan ditandai dengan visualisasi motor
yang berubah warna dari merah menjadi hijau
serta konveyor akan tampak berjalan /
bergerak.
- Botol sebagai bejana zat cair yang bergerak
melalui konveyor dan juga dapat tampak
visualisasinya pada komputer. Bila botol yang
bergerak tersebut akan menyentuh limit
switch maka akan menyebabkan konveyor
berhenti berjalan dan katup solenoid terbuka.
Hal tersebut akan terulang kembali setiap ada
botol yang melalui limit switch tersebut.
- Setelah botol terisi penuh, katup solenoid
kembali tertutup dan selanjutnya konveyor
dapat kembali berjalan.

Proses tersebut akan dapat terus berulang
kembali hingga saat tombol Stop yang tersedia
ditekan. Dengan tertekannya tombol tersebut
maka dapat untuk menghentikan aktivitas produksi
dan proses berakhir/selesai.

V. Kesimpulan
Kelebihan menggunakan sistem visualisasi &
Database pada Industri Kimia yaitu:
- Mengurangi efek negatif dari bahan kimia yang
dihadapi oleh operator.
- Mempermudah pengawasan atas mesin
produksi.
- Laporan data produksi yang lebih cepat dan
akurat.
- Dapat langsung diakses oleh pihak yang
berkepentingan melalui komputer yang
terhubung dengan jaringan.
Kekurangan
- Pembuatannya yang tidak efisien.
- Biaya yang terlalu mahal.
- Penempatan PC sebagai server yang cukup
banyak memakan tempat.

References:

1. Simulasi Penggunaan Scada untuk Visualisasi
Proses Produksi pada instrumen Mixer Tank –
A. Syaefudin, Jakarta, 2003.
2. Aplikasi Programmable Logic Controller dalam
Industri Proses Pengisian Bejana – S. E.
Kuncoro, Jakarta, 2003.
3. Pemrograman Visual Basic 6, Elek Media
Komputindo, 2000
4. Aplikasi Visual Basic Dalam Industri Manufaktur,
Elek Media Komputindo, 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 dalam Pengelolaan
Pascasarjana ISTN.

M.Abror, merupakan peneliti dan sekaligus
sebagai mahasiswa yang sedang menyelesaikan
tugas akhir dibawah bimbingan A.Sofwan

Otto Namara, merupakan peneliti dan
wirauasahawan sekaligus sebagai alumni yang
senang berinteraksi dengan tema penelitian
tersebut diatas.

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
97
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
Saat ini banyak alat-alat yang memerlukan putaran
kecepatan Motor arus searah (DC), tetapi jarang
digunakan pada aplikasi industri umum karena
semua sistem untiliti listrik di perlengkapi dengan
perkakas arus bolak-balik. Meskipun demikian,
untuk aplikasi atau kasus khusus, adalah dapat
menguntungkan jika mengubah arus bolak-balik
menjadi arus searah dengan menggunakan motor
DC. Hal itu terutama pada aplikasi mesin kempa
tablet berbasis Fuzzy. Mesin yang dimaksud
Motor arus searah digunakan dimana kontrol torsi
dan kecepatan dengan rentang yang lebar
diperlukan untuk memenuhi kebutuhan aplikasi.
Makalah ini menjelaskan mengenai tahap-tahap
perancangan sistem pengedali kecepatan motor
DC.

2. Perancangan Sistem Motor DC

Dari penjelasan makalah ini, diketahui bahwa
kecepatan motor DC dapat diatur dengan
menggunakan pengendali. Ilustrdari sistem
pengendali kecepatan motor DC diberikan oleh
gambar.1.

PENGENDALI PLANT
-
+
r u
y

Gambar 1
Pengendali Kecepatan Diagram Blok Sistem Motor

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
98
Dari gambar 1 dapat dilihat prinsip kerja
pengendali yang berguna untuk mempertahankan
kondisi perputaran motor yang mana akibat
perputaran ini bisa menghasilkan kecepatan
motor yang akan dikendalikan oleh pengendali dan
close loop (loop tertutup) umpan balik akan
membantu pengendali untuk menentukan nilai
response yang dihasilkan input r (masukan)
maupun output y (keluaran) sehingga nantinya
hasil keluaran sesuai dengan hasil yang
diinginkan.

Adapun keluaran y merupakan kecepatan motor
DC (Arus Searah) dari sistem motor yang
bebasiskan pada simulasi komputer dengan
software MATLAB. Data motor DC yang digunakan
dalam simulasi MATLAB tersebut, menggunakan
data motor dari web site www.engin.umich.edu [3]
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

J Momen Inersia 0.01 kg.m
2
/s
2
F Koefisien gesekan 0.1 Nms
Ka
Konstanta
pembanding
0.01
Nm/Amp
Kb
Konstanta g.g.l
balik
0.01
Nm/Amp
Ra

Resistansi 1 Ohm
La Induktansi 0.5 H

Model persamaan tersebut dinyatakan dalam
bentuk berikut:
Du Cx y
Bu Ax x
+ =
+ =

( 1)

dan matriksnya sebagai berikut :






− −

=
00 . 2 02 . 0
00 . 1 00 . 10
A ;






=
2
0
B
[ ] 0 1 = C [ ] 0 0 = D (II)
Selanjutnya, dibuat simulasi dari sistem motor DC
dengan Lup terbuka (Open Loop), seperti dalam
gambar 2 berikut ini :


Gambar .2
Simulasi lup Terbuka Sistem Motor DC

Hasil Gambar 2 didasari dari rumus :

) (
1
2
2
2
2
dt
d
F I K
J dt
d
dt
d
F T
dt
d
J
a a
θ θ θ θ
− = ⇒ − =


) (
1
dt
d
K V I R
L dt
di
e V I R
dt
di
L
b a a a
a
a a a a a
θ
− + − = ⇒ − + − =


Pada gambar 2 nilai input kendali V merupakan
step input yang dikolerasikan dengan waktu t=0,
jadi nilai yang diberikan untuk referensi adalah 0,
karena tujuan dari sistem adalah agar keluaran
sistem harus kembali menuju ke kondisi awal.

Setelah simulasi dijalankan maka akan didapatkan
keluaran y sebagai kecepatan motor DC sebagai
berikut (pada Gbr 3 )

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
99

Gambar 3
Keluaran Lup Terbuka dari simulasi Sistem motor DC

Dari Gambar 3 diatas Terlihat bahwa keluaran dari
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
yang cepat. Maka dari itu perlu adanya pengendali
untuk mengendalikan sistem tersebut yang
mengatur besar amplitude dan waktu penetapan,
sehingga kecepatan motor dc ini konstan dan
seimbang tanpa mengalami overshoot.

Untuk menentukan pengendali apa yang sesuai
untuk sistem maka, program MATLAB
menyediakan suatu fasilitas yang gunanya untuk
melihat kestabilan sistem yaitu Root Locus.

Maka dari itu bisa dilihat kestabilan sistem dari
persamaan Transfer Function yaitu persamaan:


} ) )( {( ) (
) (
) (
) . (
b a a a
a
a
a
f f m
K K F sJ sL R s
K
s V
s
s G
+ + +
= =
θ

Dengan memasukkan persamaan tersebut ke
dalam program MATLAB dengan fasilitas Root
Locus maka akan terlihat gambar sebagai berikut:












Gambar 4
Diagram Root Locus dari sistem motor DC


Dari gambar terlihat bahwa ada satu pasang
poles pada sumbu nyata (real-axis) dalam gambar
tersebut yaitu poles yang terletak disebelah kiri
pada sumbu nyata bernilai –10 dan poles yang
terletak di sebelah kanan pada sumbu nyata (real
axis) bernilai –2. Sekarang yang dibutuhkan dari
sistem ini adalah waktu penetapan (settling time)
dan overshoot sekecil mungkin. Damping yang
besar yang cocok untuk titik pada root locus dekat
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).

Untuk menemukan gain yang cocok untuk titik
pada root locus, maka dari fasilitas MATLAB
berupa perintah rlocfind, maka bisa ditemukan
gain dan plot step response. Dengan simulasi dari
MATLAB terlihat gambar diagram Root Locus.
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004
100
















Gambar 5
Diagram Root Locus dari sistem motor DC

Dan selanjutnya pilih titik pada root locus
pertengahan garis antara sumbu nyata dan
damping. Maka dari program MATLAB akan
mengeluarkan output dari pemilihan titik yang
sudah dilakukan maka akan didapatkan
keluarannya berupa pemilihan point yang dipilih,
gain (k) dan poles. Keluarannya sebagai berikut:

selected_point =
-5.9966 + 2.0375i
k = 10.0658
poles =
-6.0000 + 2.0375i
-6.0000 - 2.0375i



















Gambar 6
Step Response sistem dengan Gain 10

Kemudian setelah MATLAB digunakan maka akan
memberikan keluaran – keluaran, secara otomatis.
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
dan pengendali yang cocok untuk sistem ini dan
sudah terbukti tingkat kestabilannya adalah
pengendali Fuzzy logic.

3. HASIL DARI PERENCANAN

Hasil dari metode fuzzy logic pada mesin kempa
tablet ini pada kecepatan motor DC dapat dilihat
pada matlab dari parameter diatas, maka akan
didapatkan Step Response pada pengendali Fuzzy
Logic tersebut dari system gain 10 (Lihat gambar
6) untuk steady state errornya mencapai 50 %
dengan menaikkan gain, maka akan terjadi nilai
kestabilan yang stabil.

DAFTAR PUSTAKA

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
tahun 1999 - sekarang. Organisasi yang pernah
diikuti Anggota ROHIS ISTN dan juga pernah
mengikuti kursus mikrokontroller, advance PLC
Mitstubishi.

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

101
ALGORITHMA UNTUK DETEKSI QRS SINYAL ECG

Pratondo Busono
1,2)
, Eddy Susanto
2)
, Wiewie
2)
, dan Yuliana Sadeli
2)

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

Gambar 1 Sebuah siklus sinyal ECG [2]
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

102
Manfaat elektrokardiogram adalah dapat
memeperlihatkan adanya :infark miokard dan
iskemi miokard, gangguan irama jantung atau
arrhythmias, gangguan jantung karena penyakit
sistemik dan gangguan karena pengaruh obat-
obatan yang berpengaruh terhadap fungsi jantung
[2,3].
Walaupun mengetahui cara kerja ECG relatif
mudah namun untuk mengetahui informasi yang
terdapat pada data hasil rekaman ECG tidaklah
mudah. Untuk membaca EKG diperlukan
pengalaman dan pengetahuan mengenai penyakit
jantung serta gejala-gejalanya. Esktraksi manual
terhadap informasi penting sinyal ECG sangatlah
tidak efisien karena banyaknya data yang harus
diamati [3]. Salah satu cara yang banyak dilakukan
adalah dengan menggunakan bantuan komputer
untuk mengetahui karakteristik dari sinyal. Dengan
cara ini, maka deteksi bentuk sinyal (P, QRS, T),
interval yang memisahkan mereka, durasi,
fluktuasi dapat dilakukan dengan lebih teliti.
Akuisisi rekaman ECG berkualitas tinggi sangat
penting untuk mendeteksi munculnya gejala
arrhythmias pada serangan jantung mendadak.
Kesulitan-kesulitan di atas dapat
ditanggulangi dengan merancang sebuah
perangkat lunak yang dapat menganalisa secara
online maupun offline gelombang ECG dan
kemudian mendiagnosanya sehingga probabilitas
penyakit yang diderita dapat diketahui. Beberapa
hal yang bisa diharapkan adalah adanya
peningkatan ketelitian membaca pola ECG dan
pengurangan durasi waktu dalam memeriksa
kompleks QRS ventrikular .
II. PEMROSESAN SINYAL DAN DETEKSI QRS
Analisa data ECG secara lebih detail dapat
diuraikan sebagai berikut. Proses ekstrasksi
informasi yang terkait dengan karakteristik sinyal
ECG seperti durasi sinyal, luas area dan lebar
gelombang QRS dilakukan oleh perangkat lunak
dalam komputer. Diagram blok dari algorithma
yang digunakan untuk mendeteksi karakteristik
sinyal ECG dapat dilihat pada Gambar 2. [2]
Pemrosesan sinyal ECG dilakukan secara
simultan melalui dua jalur pemroses. Jalur pertama
digunakan untuk memproses sinyal berfrekuensi
tinggi (gelombang QRS), sedangkan jalur kedua
digunakan untuk menapis sinyal berfrekuensi
rendah (gelombang P dan T). Pada jalur pertama,
gelombang ECG ditapis dengan menggunakan
filter lolos pita untuk mengekstrak komponen dari
gelombang QRS. Setelah pemfilteran, beberapa
tahapan pemrosesan dilakukan seperti baseline
removal, pengkuadratan, penyekalaan dan
penapisan dengan menggunakan moving average.
Kompleks QRS memiliki komponen sinyal
dalam frekuensi yang relatif lebar, berkisar antara
2-100Hz dengan puncaknya pada 10-15 Hz.
Output sinyal ECG setelah dilakukan pemfilteran
dengan menggunakan Hamming Window, dapat
dinyatakan dengan persamaan berikut [2,5],
[ ] [ ] [ ] i n E i h
N
n E
F
F
N
N i F
+
+
=

=
0 1
1 2
1
(1)
dimana [ ] n E
0
adalah sinyal ECG asli.
Setelah difilter, dilakukan scaling pada sinyal
supaya amplitudo mempunyai kala maksimum
sama dengan 10.
[ ]
[ ]
[ ]
min max
1
2
10
E E
n E
n E

= (2)
dimana
max
E dan
min
E adalah nilai maksimum
dan minimum dari
1
E dalam interval waktu
tertentu.
Sinyal yang sudah diskala kemudian
dikuadratkan untuk memperkirakan kekuatannya
dan dihaluskan dengan moving window integrator
[2,5],
[ ] [ ] ( )
2
2
1
3
1
1
1 2
1

− =
+
+
=
N
N i
i n E
N
n E (3)
sinyal E
3
[n] merepresentasikan perkiraan kekuatan
jangka pendek ECG yang sudah difilter sekitar
waktu n.
Proses dynamic thresholding kemudian
dilakukan untuk mendeteksi onset dan offset
gelombang QRS [2,5]
[ ] [ ]
[ ] [ ]
B
K
n T n E
n T n T +
− +
+ = +
1
1
3
(4)
dimana [ ] 1 + n T dan [ ] n T adalah nilai T yang
baru dan nilai T yang lama. [ ] 1
3
+ n E adalah
sinyal ECG yang telah difilter, dan B adalah nilai
offset. Adanya noise dan gangguan bentuk
gelombang kadang masih menyebabkan
kesalahan deteksi gelombang QRS. Threshold
dapat diadaptasikan dalam berbagai situasi
berdasarkan faktor pembobot K. Terakhir, setelah
menggunakan dynamic threshold maka posisi
kompleks QRS dapat diketahui dengan mencari
lokasi sinyal [ ] n E
3
maksimum dalam periode
deteksi QRS.
Dalam penelitian ini untuk klasifikasi
gelombang QRS digunalan metoda Minimum
distance classifier. Dibandingkan metoda lainnya,
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

103
teknik ini mempunyai keuntungan dalam
kemudahan implementasi dan kelebihan dalam
waktu perhitungan yang cukup cepat. Penggunaan
fungsi diskriminan diperlukan untuk menentukan
jarak terdekat suatu objek dalam suatu ruang ciri
(feature space ) yang digunakan untuk klasifikasi.
Misalnya ada banyak titik yang terdapat pada
feature space dimana titik-titik tersebut
berkelompok dan mewakili masing-masing class,
maka klasifikasi jarak minimum mengelompokkan
titik pola x ke dalam class yang terdekat
dengannya.
Klasifikasi jarak minimum digunakan untuk
mengenali pola kompleks QRS normal.
Pengukuran jarak berikut ini digunakan untuk
menentukan kompleks QRS normal atau
ventrikular [1]
( ) ( ) ( ) ( )
2
5 5
2
2 2
2
1 1 5 2 1
, , c c c c c c c c c d − + − + − =
(5)
dimana c
1
, c
2
, dan c
5
adalah koefiesien polinomial
Chebyshev yang merepresentasikan sinyal yang
dianalisa.
III. HASIL
Gambar 3 menunjukan sinyal ECG sebelum
proses penapisan dilakukan sinyal tersebut diambil
pada durasi tertentu. Data yang digunakan
bersumber dari referensi [4]. Sinyal tersebut
dilewatkan dalam bandpass filter untuk
menghilangkan segala bentuk gangguan dan
noise.

Langkah selanjutnya yang dilakukan adalah
penghilangan geseran garis dasar sehingga garis
dasar gelombang mendekati nol dengan
menggunakan metode pengepasan kurva
berdasarkan polinomial Chebyshev [5]. Agar dapat
dengan efisien menghilangkan pergeseran garis
dasar, digunakan pendekatan polinomial orde ke-6
dihitung dalam window 1024 sample (2.85 detik).
Lalu hasil perhitungan perkiraan garis dasar
dikalikan dengan fungsi pembobot (weighting
function) kemudian dikurangkan dari sinyal. Fungsi
pembobot di tampilkan pada Gambar 4.

Sinyal ECG
Baseline removal
Filter lolos rendah Filter Lolos pita

Baseline removal,
dan moving
Dynamic
threshold
Ekstrasi QRS
Deteksi QRS
Klasifikasi bentuk
QRS
Puncak R
Klasifikasi bentuk
QRS
Puncak R
Analisa
Diagnosa
Gambar 2. Algorithma untuk analisis sinyal ECG [2]
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

104
Lalu window digerakkan sebanyak 512
sampel dan prosedur diatas diulangi. Alasan
dilakukan ini adalah untuk menghilangkan
diskontinuitas dari pendekatan kurva pada akhir
window. Hasil yang didapatkan setelah proses
base removal dapat dilihat pada Gambar 5. Dari
gambar tersebut terlihat bahwa garis dasarnya
mendekati nilai nol.
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,
namun apabila terjadi perubahan yang mendadak,
maka garis ini tidak akan mampu mengikuti sinyal
ECG tersebut. Sehingga area gelombang akan
berada di atas garis threshold dan area tersebut
dianggap sebagai kandidat kompleks QRS.
Dengan menemukan nilai maksimum dari
suatu sinyal pada periode deteksi tertentu, maka
lokasi puncak R dapat diketahui seperti yang
terlihat pada Gambar 7.

Gambar 3 Sinyal EKG Asli Sebelum Tahap Digital Bandpass Filter dilakukan

Gambar 5 Garis Dasar Digeser Sehingga Mendekati Nol
Gambar 4 Fungsi Pembobot (Weighting Function)
Untuk Perkiraan Garis Dasar [2]
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

105
Setelah lokasi kompleks QRS dapat
diketahui, langkah berikutnya adalah menentukan
apakah kompleks QRS yang terdeteksi normal
atau tidak. Karena bandpass filter sudah banyak
mendistorsi sinyal, maka pada langkah ini kembali
menggunakan sinyal ECG yang masih belum
diolah. Sinyal tersebut selanjutnya ditapis dengan
menggunakan tapis lolos rendah (low pass filter).
Dengan formula Chebyshev didapatkan
koefisien-koefisien yang berguna untuk
menentukan distribusi sinyal ECG tersebut dalam
ruang ciri (feature space). Kombinasi dari
koefisien-koefisien tersebut akan mengelompok
menurut jenisnya, sehingga akan diperoleh
klasifikasi pola sinyal ECG.
Klasifikasi pola sinyal menggunakan
Euclidean distance untuk mengenali pola
Gambar 6 Tahap Squaring Dan Moving Window Integrator

Gambar 7 Posisi Kompleks QRS
Gambar 8 Klasifikasi Bentuk QRS
Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

106
kompleks QRS normal atau tidak. Persamaan 5
digunakan untuk mencari titik pusat gravitasi pada
ruang ciri (feature space). Bila ternyata pemetaan
koefisien jaraknya jauh dari pusat gravitasi normal,
maka titik tersebut tergolong ventrikular. Gambar 8
menunjukan klasifikasi sinyal ECG berdasarkan
nilai perhitungan jarak (eiclidian distance) dalam
ruang ciri. Simbol V merah menunjukan adanya
anomali (ventricular) dalam sinyal ECG yang
diproses.
Setelah kompleks QRS diklasifikasi,
arrythmia jantung dapat diketahui jenisnya dengan
satu set rules fuzzy expert system. Dalam dua
langkah proses sebelumnya didapatkan lokasi
denyut dan pengukuran jaraknya dari kompleks
QRS normal (pada feature space). Maka hasil-
hasil tersebut yang dijadikan input dalam fuzzy
expert system sehingga menghasilkan diagnosa
akhir. Input data diperoleh dari lima QRS berturut-
turut seperti pada Gambar 9.
Dari hasil tersebut dapat ditentukan
beberapa karakteristik yang akan digunakan dalam
diagnosis yaitu :
• Interval antar kelima kompleks QRS (t
1
, t
2
, t
3
, t
4
)
dalam satuan detik.
• Denyut jantung per menit.

• Jumlah kompleks QRS ventrikular diantara lima
denyut yang dianalisa.
• Varian interval.
• Waktu yang terhitung sejak kompleks QRS
terakhir.

Kelima hal di atas menjadi variabel dalam
expert system, dimana untuk setiap variabel
didefinisikan sebuah subset fuzzy dengan nilai
yang telah ditentukan dari berbagai sumber [2].

V. KESIMPULAN

Berdasarkan dari hasi penelitian yang telah
dilakukan maka penulis dapat menarik kesimpulan
sebagai berikut :
Perangkat keras sistem telecardiology telah
berhasil dibuat dan dapat beropersi dengan
baik.
Program yang dibuat telah berhasil mengenali
pola dari data rekaman ECG.
Waktu yang dibutuhkan untuk melakukan
pengenalan pola dipengaruhi terutama oleh
banyak gelombang yang dibaca oleh aplikasi.
Semakin banyak gelombang yang akan
dianalisa maka waktu proses dan pengenalan
pola semakin lama.
Waktu yang diperlukan untuk menganalisa
gelombang jauh lebih singkat daripada bila
dilakukan secara manual.
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
Publication, Oxford, 1990.
4. MIT/BIH Arrhythmia Database, Harvard
University & Massachusetts Institute of
Technology Division of Health Sciences and
Technology, Cambridge, MA.
5. J.G. Proakis and D. G. Manolakis, Digital Signal
Processing. Principles, Algorithms and
Applications, Third Edition, Prentice Hall Inc.,
New York, 1996.
6. K. P. Lin, and W.H. Chang, “ A Technique for
Automated Arrhythmia Detection of Holter ECG,
Engineering in Medicine and Biology Society,
Vol. I, 1997, pp. 183-184.
7. Ricardo Poli et al. , “A Genetic Algorithm
Approach to Design of Optimal QRS Detectors,
IEEE Trans. on Biomedical Engineering, 11(42),
1995, pp.1137-1141.

Gambar 9 Lima QRS Berurutan Yang Dijadikan
Input Dalam Analisa

Sign up to vote on this title
UsefulNot useful