II. TINJAUAN PUSTAKA 2.1. Algal Blooms dan Harmful Algal Blooms (HABs) Algal blooms adalah perkembangbiakan sel-sel fitoplankton secara cepat hingga mendominasi komunitas plankton di suatu perairan, penyebabnya adalah meningkatnya konsentrasi zat hara di suatu perairan, sebagai gambaran meningkatnya kesuburan perairan tersebut, karena fitoplankton merupakan produsen terpenting di laut. Ledakan populasi yang merugikan dikenal sebagai retaid atau lebih tepat disebut ‘Harmful Algal Blooms’ (HABs) (Prasetyo dan Sugestiningsih, 2000). Pada bulan mei tahun 2004 di teluk terjadi kematian massal biota laut. Dari hasil pemeriksaan sampel air laut di pantai Ancol, teluk Jakarta, ternyata ditemukan cukup melimpahnya fitoplankton beracun jenis-jenis yang melimpah antara
lain
: Prorocentrum
micans,
Thallassiosira
mala,
Chaetoceros
pseudocurvicetus, Pseudonitzchia pungens Skeletonema costatus, ledakan populasi dari jenis ini menyebabkan turunnya kandungan oksigen dalam air. Akibatnya, terjadi kematian biota laut. Selain itu, ikut mati pula biota bentuk lainnya seperti ikan, kerang dan kepiting KCM (2004). Ada tiga tipe HABs (Hallegraeff, 1993), HABs yang disebabkan oleh : 1. Spesies yang tidak menyebabkan perubahan warna air tetapi dapat menyebabkan kematian ikan dan invertebrata karena depresi 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.
d. Ciguatera Fishfood Poisoning (CFP) : Gambierdiscus sp. e. Neurotoxic Shellfsh Poisoning (NSP) : Gymnodinium sp.
Terjadinya HABs dapat berdampak terhadap lingkungan dan manusia. Dampak terhadap ekosistem seperti iritasi insang pada ikan, berkurangnya penetrasi cahaya, menyebabkan kelaparan (antara lain dengan produksi mucus berlebihan dan terganggunya mekanisme pemangsaan)
dan anoxia (kehabian
oksigen). Sedangkan dampak terhadap manusia adalah akibat mengkonsumsi makanan bahari seperti ikan yang mengandung toksin. Selain berdampak pada kesehatan manusia juga berdampak pada sektor pariwisata, perikanan dan perekonomian secara umum(Nontji, 2004). Berikut ini beberapa gejala keracunan akibat toksin dan dampaknya pada manusia:
Tabel.2.1 Beberapa gejala keracunan akibat toksin dan dampaknya pada manusia (Nontji, 2004) Gejala Keracunan Toksin Dampak pada tubuh manusia Paralytic Shellfish
Saxitoxin
Poisoning (PSP)
Mati rasa pada mulut, lidah, rongga diafragma, kesulitan bernafas hingga kematian
Diarrhetic Shellfish
Okadaic Acids Diare, muntah- muntah, demam, rasa sakit
Poisoning (DSP)
pada perut hingga tumor pada sistem pencernaan
Amnesic Shellfish
Domoic Acids
Poisoning (ASP) Ciguatera Fishfood
Poisoning (NSP)
kesadaran
(singkat),
koma
mendadak, muntah, kram perut, diare Ciguatoxin
Poisoning (CFP) Neurotoxic Shellfish
Hilang
Sakit kepala, muntah, diare, mati rasa pada tangan
Brevetoxin
Gatal dan geli (tingling) pada bibir, mulut dan kerongkongan, gejala asma, diare dan muntah- muntah
2.2. Sistem Peringatan Dini Algal Blooms Sistem peringatan dini algal blooms adalah sebuah sistem yang dirancang untuk mendeteksi algal blooms kemudian memberikan peringatan kepada
5
masyarakat untuk mencegah jatuhnya korban. Sistem tersebut terdiri dari tiga bagian, yaitu sistem sensor dan sistem pelampung dimana pada bagian ini terdiri dari sensor-sensor yang masing- masing secara spesifik mendeteksi unsur-unsur fisika dan kimia yang merupakan parameter masukan untuk sistem tersebut. Sensor adalah peralatan yang digunakan untuk merubah suatu besaran fisik menjadi besaran listrik sehingga dapat dianalisa dengan rangkaian listrik tertentu. Jenis sensor terdiri dari sensor sensor fisika yaitu yang akan mendeteksi besaran suatu besaran berdasarkan hukum- hukum fisika contoh sensor cahaya dan sensor suhu, dan sensor kimia yang mendeteksi jumlah suatu zat kimia dengan cara mengubah besaran kimia menjadi besaran listrik, biasanya melibatkan beberapa reaksi kimia. Contoh sensor kimia adalah contoh sensor pH dan sensor Oksigen. Sementara itu sistem pelampung terdiri dari sistem komputer dan perangkat komunikasi. Bagian kedua adalah Read Down Station System, dimana pada bagian ini fuzzy neural processing ditempatkan untuk mengolah data hasil dari bagian pertama yang selanjutnya di distribusikan ke bagian yang ke tiga yait u komponen masyarakat. Pada kasus algal bloom dalam kaitannya dengan sistem peringatan dini, dibagi dalam tiga fase berdasarkan jumlah sel per liter dimana ketiga fase tersebut adalah: a. Aman dimana jumlahnya kurang dari 103 sel per liter b. Siaga dimana jumlahnya antara 103 dan 106 sel per liter c. Bahaya dimana jumlahnya lebih dari 106 sel per liter
Pada saat fase siaga, penyampaian informasi kepada masyarakat harus segera dilakukan, sehingga masyarakat dapat merencanakan langkah- langkah antisifasi untuk menghindari kodisi terburuk yang mungkin akan terjadi.
6
2.3. Sistem Fuzzy Sistem fuzzy merupakan penduga numerik yang terstruktur dan dinamik. Sistem ini mempunyai kemampuan untuk mengembangkan sistem intelligent dalam lingkungan yang tidak pasti, dan tidak tepat. Sistem ini menduga suatu fungsi dengan logika fuzzy. Logika fuzzy merupakan bagian dari logika boolean, yang digunakan untuk menangani konsep derajat kebenaran, yaitu nilai kebenaran antara benar dan salah (Marimin, 2002).
2.3.1. Definisi fuzzy Sebuah himpunan fuzzy (A) adalah sebuah ruangan titik-titik X={x} yaitu sebuah kelas kejadian (class of events) dengan sebuah mutu keanggotaan kontinyu (grade of membership) dan ditandai oleh sebuah fungsi keanggotaan µA(x) yang dihubungkan dengan setiap titik dalam X oleh sebuah bilangan ril dalam interval [0,1] dengan nilai µA (x) pada x menyatakan mutu keanggotaan x dalam A. Secara formal, himpunan fuzzy A dengan sejumlah penyokong hingga x1 , x2 , ..., xn didefinisikan sebagai himpunan pasangan yang diurutkan: A={(µA(xi), xi ), i=1,2, …,n}
.................................................
2.1
di mana penyokong A adalah sub himpunan X yang disefinisikan sebagai S(A) = {x, x∈X dan µA(x)>0}
................................................
2.2
µi, mutu keanggotaan xi dalam A, menyatakan tingkat yang sebuah kejadian xi boleh menjadi anggota A atau kepunyaan A. Fungsi karakteristik ini ternyata dapat dipandang sebagai suatu koefisien pembobotan yang merefleksikan ambiguitas dalam sebuah himpunan, dan jika ia mencapai harga satu, mutu keanggotaan suatu kejadian dalam A menjadi lebih tinggi. Misalkan,
µA(xi ) =1 menunjukan
keterkaitan yang ketat kejadian xi dalam A. Jika sebaliknya xi bukan kepunyaan A, µA(xi ) = 0. Sembarang nilai antara akan menyatakan tingkat (mutu) yang xi dapat menjadi sebuah anggota A (K. Pal dan K.D. Majumder, 1989).
2.3.2. Keputusan Fuzzy Suatu keputusan dalam fuzzy adalah suatu irisan antara kendala (constraint) dan fungsi tujuan fuzzy (fuzzy objective function) yang dapat digambarkan sebagai berikut (Zimmermann, 1987 ):
7
Objective Function 1 Constraint
Decision
0 5
10 x 15 Gambar 2.1. Keputusan dalam Fuzzy (Zimmermann, 1987)
2.3.3 Fungsi Keanggotaan Dalam sistem fuzzy dikenal banyak fungsi keanggotaan, antara lain Triangular, Gaussian, Travesium, Bell, dan lain- lain. Sebagai contoh salah satu fungsi keanggotaan yang disebutkan diatas adalah Gaussian (Marimin, 2002):
.....................................................
2.4
dimana: x = [x1 , x2 , x3 , … , xn ] c = mean(x) σ = Standar deviasi
c Gambar 2.2. Gaussian (Susilo, 2003)
8
2.3.4. Vektor fuzzy Penggunaan teori fuzzy pada vektor masukan bertujuan agar distribusi frekwensi data pengukuran dapat direpresentasikan, maka pada awal proses pembelajaran data hasil pengukuran seperti pada gambar 2.3 dinormalisasi kedalam bentuk vektor fuzzy. Sebagai contoh bentuk vektor fuzzy hasil normalisasi vektor masukan dinamakan bilangan fuzzy segitiga yang dapat digambarkan sebagai berikut (Budiarto, 1998):
1 Fuzziness 0 Min Mean Max Gambar 2.3. Vektor Fuzzy
Bilangan fuzzy segitiga ini merupakan pernyataan fungsi keanggotaan fuzzy untuk data hasil pengukuran, nilai rata-rata (mean) mempunyai fungsi keanggotaan 1 sedangkan nilai terkecil (minimum) dan nilai terbesar (maximum) mempunyai fungsi keanggotaan nol. Sedangkan fuzziness atau karakteristik fuzzy menyatakan batas kelebaran dari fungsi keanggotaan fuzzy yang bernilai antara [0,1], semakin lebar nilai fuzziness berarti semakin bervariasi data yang akan diolah (Budiarto, 1998). Aturan pembelajaran dalam fuzzy neural ini berdasarkan pada mekanisme kompetisi yaitu hanya ada satu vektor pewakil yang paling mirip dengan vektor pelatihan. Untuk menentukan vektor pewakil yang paling mirip (closest vektor) menggunakan nilai kemiripan atau similaritas yang diperoleh dengan prinsip operasi fuzzy (Budiarto, 1998). Andaikan x adalah vektor pelatihan dari 4 buah sensor dan wi adalah vektor pewakil untuk kategori i maka dapat dinyatakan bahwa x = (x1 , x2 , x3 , x4 ), dengan fungsi keanggotaan untuk x adalah hx = (hx1 , hx2 , hx3 , hx4 ), dan untuk vektor pewakil kategori i dapat dinyatakan
wi = (w1i, w2i, w3i, w4i), dengan
fungsi keanggotaan untuk wi adalah hwi = (hw1i, hw2i, hw3i, hw4i), maka nilai
9
similaritas (µij) antara vektor pewakil dengan vektor pelatihan dapat dijelaskan pada gambar dibawah ini (Budiarto, 1998). xi
wij
0
µij hxi
hwij
1 Gambar 2.4. Nilai similaritas vektor pewakil dengan vektor pelatihan ini (Budiarto, 1998)
2.4. Jaringan Saraf Tiruan Jaringan saraf tiruan (JST) adalah suatu proses komputasi yang meniru konsep cara kerja otak manusia dimana mempunyai karakteristik dan performa yang sama dengan jaringan saraf biologi. Bagaimana sebenarnya otak manusia bekerja?, didalam otak manusia suatu tipe neuron mengkoleksi sinyal-sinyal dari yang lainnya melalui suatu struktur yang besar yang disebut dendrite. Neuron mengirim aktivitas elektikal melalui axon yang mana dibagi dalam ribuan cabang. Akhir sebuah cabang disebut synapse, mengkonversi aktifitas dari axon ke dalam elektrikal efek.
Gambar 2.5. Komponen dari neuron (Stergiou dan Siganos, 2005)
JST telah banyak dikembangkan sampai dengan saat ini, aplikasi-aplikasi yang telah ada dan menggunakan JST diantaranya adalah Adaptive Noise Canceling,aplikasi ini adalah untuk membersihkan gangguan pada saluran telpon. Kemudian Bomb Sniffer, yaitu suatu sistem detektor bom baru di New York's JFK
10
International Airport (Widharma, 2005). Sudah banyak sekali persoalan-persoalan dapat diselesaikan dengan menggunakan JST. Dalam JST Semua informasi akan dimasukan dalam JST dengan melalui suatu proses komputasi, semua informasi tersebut akan dirubah dalam suatu nilai yang disimpan dalam setiap node yang akhirnya informasi tersebut digunakan untuk memberikan suatu keputusan akan suatu pola.
2.5. Karakteristik -karakteristik Jaringan Saraf Tiruan (JST) JST dapat digunakan untuk pemecahan masalah-masalah komplek yang sulit diselesaikan oleh manusia atau teknik komputasi yang lainnya. Beberapa kelebihan yang lainnya adalah (Stergiou and Siganos, 2005). 1. Adaptive learning: mudah untuk belajar bagaimana melakukan sesuatu tugas berdasarkan data yang diberikan untuk dipelajari. 2. Self-Ogranization: JST dapat membuat dan dapat merepresentasikan sendiri informasi yang diterima selama learning time 3. Real Time Operation: Komputasi JST dapat dilakukan dengan parallel dan special hardware yang didesain dengan mengambil kelebihan yang dimilikinya. 4. Fault Tolerance via Redundant Information Coding : Kerusakan terbesar pada jaringan dapat menyebabkan terjadinya penurunan kinerja. Tetapi beberapa kemampuan dapat menahan, bahkan kerusakan terbesar pada jaringan. JST belajar berdasarkan contoh,. JST tidak dapat diprogram untuk menunjukan secara spesifik tugas. Contoh harus dipilih secara hati- hati kalau tidak, akan berfungsi tidak dengan benar. Kekurangan dari JST adalah operasinya tidak dapat diprediksi karena bagaimana pemecahan masalah dilakukan oleh dirinya sendiri. Didalam JST biasanya terdiri dari beberapa lapisana neuron dan setiap lapisan terdiri dari sekelompok neuron yang melakukan proses komputasional secara terdistribusi dan paralel. Hubungan antar neuron dinyatakan dalam bobot keterhubungan
berupa bilangan numerik yang berubah terus
menerus untuk mendapatkan suatu oprimasi nilai bobot agar dapat mengenali suatu pola masukan. Tahapan untuk mengenali pola masukan tersebut dinamakan tahapan pelatihan atau proses pembelajaran.
11
Proses pembelajaran dalam jaringan neural buatan memiliki beberapa aturan dan paradigma, antara lain paradigma proses pembelajaran dengan pengarahan (supervised) dan proses pembelajaran tanpa pengarahan (unsupervised). Dalam proses pembelajaran dengan pengarahan, jaringan neural akan membandingkan hasil keluaran yang sebenarnya (actual output) dengan hasil keluaran komputasinya (computed output) untuk melakukan penyesuaian bobot agar kesalahannya menjadi semakin kecil. Untuk itu jaringan neural memerlukan seperangkat pelatih (training set) yang mempresentasikan masukan dan target keluaran sistem. Sedangkan untuk proses pembelajaran tanpa pengarahan, jaringan neural tidak menggunakan pengaruh dari luar untuk mengatur bobot, akan tetapi jaringan akan melihat keteraturan data masukan sehingga jaringan dapat membentuk unit-unit kelompok data masukan. Dalam melakukan proses pembelajaran, JST akan menggunakan salah satu dari banyak algoritma pembelajaran diantaranya Hebb, Perceptron, Hopfield, Learning Vektor Quantization, Backpropagation, masing- masing memiliki karakteristik yang berbeda. JST berisi tiga komponen yaitu input layer, hidden layer dan output layer, berikut ini contoh arsitektur JST yang terdiri dari lapisan input, satu lapisan tersembunyi, dan lapisan keluaran.
X1 w1 w2 w3
X2
v1 Y
Z1
v2 Z2
X3 dengan: Xi
= lapisan input
Zi
= lapisan output
Y
= lapisan tersembunyi
wi
= nilai pembobot antara lapisan input dan lapisan tersembunyi
vi
= nilai pembobot antara lapisan tersembunyi dan lapisan output
Gambar 2.6. contoh arsitektur JST
12
