Anda di halaman 1dari 26

1

BAB I
PENDAHULUAN
1.1 Latar Belakang
Untuk menyusun rencana tata ruang kota yang terpadu, informasi
kapasitas jalan yang akurat dan berguna mengenai hal ini perlu didapatkan.
Seiring meningkatnya arus transportasi, maka pertumbuhan kota kota akan
semakin meningkat dan dengan sendirinya kebutuhan jaringan transportasi
untuk menampung pergerakan warga kotanya pun akan semakin
meninggkat pula. Banyak model yang telah dikembangkan untuk
mempelajari volume lalu lintas di jalan untuk menggambarkan volume
tersebut, tetapi sebagian besar hanya menggambarkan untuk kondisi dan
waktu tertentu saja.
Volume lalu lintas kendaraan di jalan tidak tediri dari suatu variabel
yang homogen, melainkan terdiri dari bermacam karakteristik yang tidak
selalu sama. Keanekaragaman ini membatasi ketepatan sistem yang
dikembangkan untuk menyatakan jumlah kendaraan di jalan. Volume lalu
lintas didefinisikan sebagai jumlah kendaraan yang melewati satu titik pada
suatu ruas jalan dalam waktu tertentu. Volume ini dapat dinyatakan dalam
karangka tahunan, harian, ataupun dalam satuan yang lebih kecil. Volume
lalu lintas merupakan satu dari beberapa variabel yang diperlukan dalam
penentuan batas kebisingan lalu lintas pada suatu ruas jalan tertentu.
Tingkat kebisingan lalu lintas memiliki korelasi yang linear dengan
jumlah kendaraan bermotor yang melewati sebuah jalan. Beberapa variabel
yang mempengaruhi tingkat kebisingan diantaranya adalah volume lalu
lintas, kendaraan, lebar jalan, gangguan samping akibat aktivitas perpakiran,
dan pergerakan kendaraan.
Dalam beberapa kasus, tidak dapat memutuskan sesuatu masalah
dengan jawaban sederhana ya atau tidak. Sebagai contoh, untuk
menyatakan kebisingan suara sedang, sangat bersifat relatif. Pada tahun
1965, Zadeh memodifikasi teori himpunan dimana setiap anggotanya
2

memiliki derajat keanggotaan yang bernilai kontinu antara 0 sampai 1.
Himpunan ini disebut dengan Himpunan Kabur (Fuzzy Set).
Sistem LogikaFuzzy biasanya memiliki sifat fault tolerant serta
mampu mengakomodasi ketidakpresisian dalam proses akuisisi data.Dalam
penelitian ini dilakukan pengukuran terhadap kebisingan yang ditimbulkan
oleh kendaraan bermotor menggunakan sistem pengukur kebisingan yang
selanjutnya digunakan sebagai data masukan untuk memprediksi jumlah
kendaraan bermotor. Oleh karena itu, pada skripsi ini diambil judul tentang
Penggunaan Metode Logika Fuzzy Untuk Memprediksi Jumlah
Kendaraan Bermotor Berdasarkan Tingkat Kebisingan Lalu Lintas,
Lebar Jalan Dan Faktor Koreksi.
1.2 Tujuan
Tujuan dari hasil skripsi ini adalah untuk memperkirakan besarnya
pergerakan pada segmen jaringan tertentu, serta untuk mengetahui
kebisingan yang ditimbulkan oleh kendaraan bermotor dan membandingkan
hasil prediksi dengan hasil sebenarnya.

1.3 Manfaat
Manfaat yang didapat dari skripsi ini khusus bagi penyusun adalah
sebagai bahan pembelajaran untuk materi Logika Fuzzy serta metode
sugeno dan defuzzykasi untuk membandingkan hasil prediksi dengan hasil
sebenarnya. Sedangkan umumnya bagi pembaca agar skripsi ini dapat
bermanfaat untuk semuanya.

1.4 Ruang Lingkup
Ruang lingkup dari pembahasan skripsi ini adalah meliputi logika
fuzzy, kebisingan serta faktor koreksi.




3

BAB II
TINJAUAN PUSTAKA

2.1. Himpunan Fuzzy
Himpunan adalah suatu kumpulan atau koleksi objek-objek yang
mempunyai kesamaan sifat tertentu (Frans Susilo,2006). Himpunan fuzzy
merupakan suatu pengembangan lebih lanjut tentang konsep himpunan dalam
matematika. Himpunan fuzzy adalah rentang nilai-nilai, masing-masing nilai
mempunyai derajat keanggotaan antara 0 sampai dengan 1. Suatu himpunan
fuzzy

dalam semesta pembicaraan U dinyatakan dengan fungsi keanggotaan

, yang nilainya berada daalam interval [0,1], dapat dinyatakan dengan :


]. 1 , 0 [ : ~ U
A

Himpunan fuzzy

dalam semesta pembicaraan U biasa dinyatakan


sebagai sekumpulan pasangan elemen u (u anggota U) dan derajat
keanggotaannya dinyatakan sebagai berikut :
} | ) ( , {(
~
~ U u u u A
A
e =
Ada beberapa cara untuk menotasikan himpunan fuzzy, antara lain :
1. Himpunan fuzzy ditulis sebagai pasangan berurutan, dengan elemen
pertama menunjukkan nama elemen dan elemen kedua menunjukkan nilai
keanggotaannya.
2. Apabila semesta X adalah himpunan yang diskret, maka himpunan fuzzy


dapat dinotasikan sebagai :
n n
x x A x x A x x A A / ) (
~
... / ) (
~
/ ) (
~ ~
2 2 1 1
+ + + = atau

=
=
n
i
i i
A
x x A
1
~ / ) (
~

Tanda bukan menotasikan operasi penjumlahan seperti yang dikenal
pada aritmetika, tetapi melambangkan keseluruhan unsure-unsur x e X
4

bersama dengan fungsi keanggotaan ) ( ~ x
A
dalam himpunan fuzzy

.
Tanda + bukan menotasikan penjumlahan, tetapi melambangkan
pemisahan antara keanggotaan elemen himpunan fuzzy

dan fungsi
keanggotaan yang lain. Tanda / juga bukan lambang pembagian yang
dikenal dalam kalkulus, tetapi melambangkan hubungan antara satu
elemen himpunan fuzzy

dan fungsi keanggotaannya.


3. Apabila semesta X adalah himpunan yang kontinu maka himpunan fuzzy

dapat dinotasikan sebagai :


}
=
x
A
x x A / ) (
~
~
Tanda bukan lambang integral seperti dalam kalkulus, yang menotasikan
suatu integrasi, melainkan keseluruhan unsure-unsur titik x e X bersama
dengan fungsi keanggotaan ) ( ~ x
A
dalam himpunan fuzzy

. Tanda / juga
bukan lambang pembagian yang dikenal dalam kalkulus, tetapi
melambangkan hubungan antara satu elemen himpunan fuzzy

dan fungsi
keanggotaannya.
Definisi 2.1 (J.S.R.Jang, 1997: 17)
Support atau pendukung himpunan fuzzy . Supp(), didalam semesta X,
adalah himpunan tegas dari semua anggota X yang mempunyai derajat
keanggotaan lebih dari nol
Supp () = {x X | (x) > 0}.
Definisi 2.2 (Frans Susilo, 2006; 73-74)
Himpunan -cut merupakan nilai ambang batas domain yang didasarkan pada
nilai keanggotaan untuk tiap-tiap domain. Himpunan ini berisi semua nilai
domain yang merupakan bagian dari himpunan fuzzy dengan nilai
keanggotaan lebih besar atau sama dengan sedemikian hingga :
i. Untuk -cut dapat dinyatakan sebagai :
= {x X | (x) }
ii. Untuk strong -cut dapat dinyatakan sebagai :
+ = {x X | (x) > }
5

Definisi 2.3 (Klir, Yuan, 1995; 21)
Tinggi (height) suatu himpunan fuzzy di dalam semesta X, yang
dilambangkan dengan h(), adalah himpunan yang menyatakan derajat
keanggotaan tertinggi dalam himpunan fuzzy tersebut
)} ( { ) A
~
h( ~
sup
X x
x
A

e
=
Definisi 2.4 (Klir, Clair, Yuan,1997; 100)
Inti (Core) suatu himpunan fuzzy didalam semesta X, yang dilambangkan
dengan Core(), adalah himpunan tegas yang menyatakan himpunan semua
anggota X yang mempunyai derajat keanggotaan sama dengan 1 yaitu :
Core() = {x X | (x) = 1}.
2.2. Fungsi Keanggotaan
Fungsi keanggotaan (membership function) adalah suatu kurva yang
menunjukkan pemetaan titik-titik input data kedalam nilai keanggotaan yang
memiliki interval antara 0 sampai 1. Ada beberapa fungsi yang bisa
digunakan diantaranya :
a.) Representasi Linear.
b.) Representasi Kurva Segitiga.
c.) Representasi Kurva Trapesium.

2.2.1 Representasi Linear
Pada representasi linear, pemetaan input ke derajat
keanggotaannya dapat digambarkan sebagai suatu garis lurus. Bentuk
ini paling sederhana dan menjadi pilihan yang baik untuk mendekati
suatu konsep yang kurang jelas. Ada 2 keadaan himpunan fuzzy yang
linear.
- Representasi linear naik, yaitu kenaikan himpunan dimulai dari nilai
domain yang memiliki nilai keanggotaan nol [0] bergerak ke kanan
menuju ke nilai domain yang memiliki derajat keanggotaan yang
lebih tinggi (Gambar 1).



6







Gambar 1. Representasi linear naik
Fungsi keanggotaan:
() {

( )
( )


- Representasi linear turun, yaitu garis lurus yang dimulai dari nilai
domain dengan derajat keanggotaan tertinggi pada sisi kiri,
kemudian bergerak turun ke nilai domain yang memiliki derajat
keanggotaan lebih rendah (Gambar 2).






Gambar 2. Representasi linear turun.
Fungsi keanggotaan :
() {
( )
( )



2.2.2 Representasi Kurva Segitiga
Representasi kurva segitiga, pada dasarnya adalah gabungan
antara dua representasi linear (representasi linear naik dan representasi
linear turun), seperti terlihat pada Gambar 3.



7





Gambar 3. Representasi Kurva Segitiga

Fungsi keanggotaan:
()
{









2.2.3 Representasi Kurva Trapesium
Representasi kurva trapesium pada dasarnya seperti bentuk kurva
segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan
1 (satu), seperti pada Gambar 4.







Gambar 4. Representasi Kurva Trapesium
Fungsi Keanggotaan :
()
{











2.3. Operasi-Operasi pada Himpunan Fuzzy
Seperti halnya himpunan tegas (crisp set), ada beberapa operasi yang
didefinisikan secara khusus untuk mengkombinasi dan memodifikasi
himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi dua himpunan
8

sering dikenal dengan nama fire strength atau -cut. Ada tiga operator dasar
yang diciptakan oleh Zadeh, yaitu: AND, OR, dan NOT.

2.3.1 Operasi AND
Operasi AND (intersection) berhubungan dengan operasi irisan
pada himpunan. Intersection dari 2 himpunan adalah minimum dari
tiap pasangan elemen pada kedua himpunan. Dimisalkan, himpunan
fuzzy

adalah intersection dari himpunan fuzzy dan himpunan


fuzzy

dan didefinisakan sebagai :


) )(
~ ~
(
~
x B A C =
)} (
~
), (
~
min{ x B x A =
X x x B x A e . = ), (
~
) (
~

dengan derajat keanggotaannya adalah :
)) ( ), ( min( ) ( ~ ~ ~ x x x
B A C
=
)) ( ), ( ( ~ ~ x x
B A
= untuk semua x X
2.3.2 Operasi OR
Operasi OR (union) berhubungan dengan operasi gabungan pada
himpunan. Union dari 2 himpunan adalah maksimum dari tiap pasang
elemen pada kedua himpunan. Dimisalkan, himpunan fuzzy

adalah
union dari himpunan fuzzy dan himpunan fuzzy

dan didefinisikan
sebagai :
) )(
~ ~
(
~
x B A C =
)} (
~
), (
~
max{ x B x A =
X x x B x A e v = ), (
~
) (
~

dengan derajat keanggotaannya adalah :
)) ( ), ( max( ) ( ~ ~ ~ x x x
B A C
=
)) ( ), ( ( ~ ~ x x
B A
= untuk semua x X
2.3.3 Operasi NOT
Operasi NOT berhubungan dengan operasi komplemen pada
himpunan. Komplemen himpunan fuzzy diberi tanda c (NOT )
9

dan didefinisikan sebagai : c(x) = 1 (x). Dengan derajat
keanggotaannya adalah ) ( 1 ) ( ~ ~ x x
A A
C
= .
2.4. Logika Fuzzy
Fuzzy secara bahasa diartikan sebagai kabur atau samar samar. Suatu
nilai dapat bernilai besar atau salah secara bersamaan. Dalam fuzzy dikenal
derajat keanggotaan yang memiliki rentang nilai 0 (nol) hingga 1(satu).
Berbeda dengan himpunan tegas yang memiliki nilai 1 atau 0 (ya atau
tidak). Logika Fuzzy merupakan seuatu logika yang memiliki nilai
kekaburan atau kesamaran (fuzzyness) antara benar atau salah. Dalam teori
logika fuzzy suatu nilai bisa bernilai benar atau salah secara bersama.
Namun berapa besar keberadaan dan kesalahan suatu tergantung pada bobot
keanggotaan yang dimilikinya. Logika fuzzy memiliki derajat keanggotaan
dalam rentang 0 hingga 1. Berbeda dengan logika digital yang hanya
memiliki dua nilai 1 atau 0.
Logika fuzzy digunakan untuk menterjemahkan suatu besaran yang
diekspresikan menggunakan bahasa (linguistic), misalkan besaran kecepatan
laju kendaraan yang diekspresikan dengan pelan, agak cepat, cepat, dan
sangat cepat. Dan logika fuzzy menunjukan sejauh mana suatu nilai itu benar
dan sejauh mana suatu nilai itu salah. Tidak seperti logika klasik
(scrisp)/tegas, suatu nilai hanya mempunyai 2 kemungkinan yaitu
merupakan suatu anggota himpunan atau tidak. Derajat keanggotaan 0 (nol)
artinya nilai bukan merupakan anggota himpunan dan 1 (satu) berarti nilai
tersebut adalah anggota himpunan.
Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu
ruang input kedalam suatu ruang output, mempunyai nilai kontinyu. Fuzzy
dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran.
Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan sebagian salah
pada waktu yang sama (Kusumadewi. 2004) Logika Fuzzy memungkinkan
nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih,
dan dalam bentuk linguistik, konsep tidak pasti seperti sedikit, lumayan
10

dan sangat (Zadeh 1965). Kelebihan dari teori logika fuzzy adalah
kemampuan dalam proses penalaran secara bahasa (linguistic reasoning).
Sehingga dalam perancangannya tidak memerlukan persamaan matematik
dari objek yang akan dikendalikan.
Sejarah Logika Fuzzy, Fuzzy Set pertama kali diperkenalkan oleh
Prof. Lotfi Zadeh, 1965 orang Iran yang menjadi guru besar di University of
California at Berkeley dalam papernya yang monumental Fuzzy Set.
Dalam paper tersebut dipaparkan ide dasar fuzzy set yang meliputi
inclusion, union, intersection, complement, relation dan convexity. Lotfi
Zadeh mengatakan Integrasi Logika Fuzzy kedalam sistem informasi dan
rekayasa proses adalah menghasilkan aplikasi seperti sistem kontrol, alat
alat rumah tangga, dan sistem pengambil keputusan yang lebih fleksibel,
mantap, dan canggih dibandingkan dengan sistem konvensional. Dalam hal
ini kami dapat mengatakan bahwa logika fuzzy memimpin dalam
pengembangan kecerdasan mesin yang lebih tinggi (machine Intelligency
Quotient / MIQ ) Produk produk berikut telah menggunakan logika fuzzy
dalam alat alat rumah tangga seperti mesin cuci, video dan kamera refleksi
lensa tunggal, pendingin ruangan, oven microwave, dan banyak sistem
diagnosa mandiri.
Fuzzy Logic merupakan kecerdasan buatan yangpertama kali
dipublikasikan oleh Prof.Dr. Lotfi Zadeh yang berasal dari Pakistan.
Melalui fuzzy logic ini sistem dapat membuat keputusan sendiri dan
terkesan seperti memiliki perasaan, karena memiliki keputusan lain selain
iya (logika 1) dan tidak (logika 0). Oleh karena itu fuzzy logic sangat
berbeda jauh dari alur logaritma pemrograman.
2.5. Proposisi Fuzzy
Proposisi fuzzy adalah kalimat yang memuat predikat fuzzy, yaitu
predikat yang dapat direpresentasikan dengan suatu himpunan fuzzy.
Proposisi fuzzy yang mempunyai kebenaran tertentu disebut pernyataan
fuzzy. Nilai kebenaran suatu pernyataan fuzzy dapat dinyatakan dengan suatu
11

bilangan real dalam rentang [0,1]. Nilai kebenaran itu disebut juga derajat
kebenaran pernyataan fuzzy. Bentuk umum suatu proposisi fuzzy adalah:
x adalah A
dengan x adalah suatu variabel linguistik dan A adalah predikat yang
menggambarkan keadaan x. Bila adalah himpunan fuzzy yang dikaitkan
dengan nilai linguistik A, dan x0 adalah suatu elemen tertentu dalam semesta
X dari himpunan fuzzy , maka x0 memiliki derajat keanggotaan ) (
0
~ x
A

dalam himpunan fuzzy . Derajat kebenaran pernyataan fuzzy x0 adalah A


didefinisikan sama dengan derajat keanggotaan x0 dalam himpunan fuzzy ,
yaitu ) (
0
~ x
A
. Misalkan jika proposisi fuzzy x adalah Adilambangkan
dengan p(x), pernyataan fuzzy x0 adalah A dengan p(x0), dan derajat
kebenaran p(x
0
) dengan(p(x0)) = ) (
0
~ x
A
.

2.6. Implikasi Fuzzy
Proposisi fuzzy yang sering digunakan dalam aplikasi teori fuzzy
adalah implikasi fuzzy. Bentuk umum suatu implikasi fuzzy adalah :
Jika x adalah A, maka y adalah B
dengan x dan y adalah variabel linguistik, A dan B adalah predikat-predikat
fuzzy yang dikaitkan dengan himpunan-himpunan fuzzy dan

dalam
semesta X dan Y berturut-turut. Proposisi yang mengikuti kata Jika
disebut sebagai anteseden, sedangkan proposisi yang mengikuti kata maka
disebut sebagai konsekuen.

2.7. Sistem Inferensi Fuzzy
Salah satu aplikasi logika fuzzy yang telah berkembang amat luas
dewasa ini adalah sistem inferensi fuzzy (Fuzzy Inference System/FIS), yaitu
sistem komputasi yang bekerja atas dasar prinsip penalaran fuzzy, seperti
halnya manusia melakukan penalaran dengan nalurinya. Misalnya
penentuan produksi barang, sistem pendukung keputusan, sistem klasifikasi
data, sistem pakar, sistem pengenalan pola, robotika, dan sebagainya.
12

Dalam subbab ini akan dibahas salah satu dari proses semacam itu,
yaitu penentuan produksi barang. Sistem ini berfungsi untuk mengambil
keputusan melalui proses tertentu dengan mempergunakan aturan inferensi
berdasarkan logika fuzzy. Pada dasarnya sistem inferensi fuzzy terdiri dari
empat unit, yaitu :
1. Unit fuzzifikasi (fuzzification unit)
2. Unit penalaran logika fuzzy (fuzzy logic reasoning unit)
3. Unit basis pengetahuan (knowledge base unit), yang terdiri dari dua
bagian:
a. Basis data (data base), yang memuat fungsi-fungsi keanggotaan
dari himpunan-himpunan fuzzy yang terkait dengan nilai dari
variabel-variabel linguistik yang dipakai.
b. Basis aturan (rule base), yang memuat aturan-aturan berupa
implikasi fuzzy.
4. Unit defuzzifikasi (defuzzification unit / unit penegasan)

Pada sistem inferensi fuzzy, nilai-nilai masukan tegas dikonversikan
oleh unit fuzzifikasi ke nilai fuzzy yang sesuai. Hasil pengukuran yang telah
difuzzikan itu kemudian diproses oleh unit penalaran, yang dengan
menggunakan unit basis pengetahuan, menghasilkan himpunan (himpunan-
himpunan) fuzzy sebagai keluarannya. Langkah terakhir dikerjakan oleh unit
defuzzifikasi yaitu menerjemahkan himpunan (himpunan-himpunan)
keluaran itu kedalam nilai (nilai-nilai) yang tegas. Nilai tegas inilah yang
kemudian direalisasikan dalam bentuk suatu tindakan yang dilaksanakan
dalam proses itu. Langkah-langkah tersebut secara skematis disajikan dalam
Gambar 5 berikut:






13






Gambar 5. Struktur dasar suatu sistem inferensi fuzzy

2.8. Logika Fuzzy Dalam Pengambilan Keputusan
2.8.1 Metode Mamdani
Sistem inferensi fuzzy Metode Mamdani dikenal juga dengan
nama metode Max-Min. Metode Mamdani bekerja berdasarkan aturan-
aturan linguistik. Metode ini diperkenalkan oleh Ebrahim H. Mamdani
pada tahun 1975.
2.8.2 Metode Sugeno
Penalaran metode Sugeno ini hampir sama dengan penalaran
Mamdani, hanya saja output sistem tidak berupa himpunan fuzzy,
melainkan berupa konstanta atau persamaan linear. Metode ini
diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985. Perbedaan
antara Metode Mamdani dan Metode Sugeno ada pada konsekuen.
Metode Sugeno menggunakan konstanta atau fungsi matematika dari
variabel input :
Jika a adalah

dan b adalah

, maka c adalah

= f(a,b)
14

dengan a, b dan c adalah variabel linguistik ;

dan

himpunan
fuzzy ke-I untuk a dan b, dan f(a,b) adalah fungsi matematik.
Untuk mendapatkan hasil, maka terdapat 4 langkah sebagai berikut :
o Pembentukan himpunan fuzzy
Menentukan semua variable yang terkait dalam proses yang
akan ditentukan. Untuk masing-masing variable input, tentukan suatu
fungsi fuzzifikasi yang sesuai.
o Aplikasi fungsi implikasi
Menyusun baris aturan, yaitu aturan-aturan berupa implikasi-
implikasi fuzzy yang menyatakan relasi antara variable input dengan
variable output. Bentuk umumnya adalah sebagai berikut :
Jika a adalah

dan b adalah

, maka c adalah

= f(a,b)
dengan a,b,dan c adalah predikat fuzzy yang merupakan variable
linguistik,

dan

himpunan fuzzy ke-i untuk a dan b, sedangkan


f(a,b) adalah fungsi matematik. Banyaknya aturan ditentukan oleh
banyakanya nilai linguistic untuk masing-masing variable input.

o Komposisi aturan
Apabila system terdiri dari beberapa aturan, maka inferensi
diperoleh dari kumpulan dan korelasi antar aturan. Metode yang
digunakan dalam melakukan inferensi system fuzzy, yaitu :
Metode Max (Maximum)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara
mengambil nilai maksimum aturan, kemudian menggunakan nilai
tersebut untuk memodifikasi daerah fuzzy dan mengaplikasikannya ke
output dengan menggunakan operator OR (gabungan). Jika semua
proporsi telah dievaluasi, maka output akan berisi suatu himpunan
fuzzy yang merefleksikan kontribusi dari tiap-tiap proporsi. Secara
umum dapat dituliskan :
(

) (

))
dengan :

) = nilai keanggotaan solusi fuzzy sampai aturan ke-i


15

) = nilai keanggotaan konsekuen fuzzy aturan ke-i


o Penegasan
Masukan dari proses penegasan adalah suatu himpunan fuzzy
yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output
yang dihasilkan merupakan suatu bilangan real yang tegas. Sehingga
jika diberikan suatu himpunan fuzzy dalam range tertentu, maka dapat
diambil suatu nilai tegas tertentu sebagai output.
Apabila komposisi aturan menggunakan metode Sugeno maka
defuzzifikasi (Z
*
) dilakukan dengan cara mencari nilai rata-rata
terpusatnya.
) (
) (
1
~
1
~
*
i
i
n
i
A
n
i
i
A
i
d U
d U d
Z
i

=
=
=
dengan d
i
adalah nilai keluaran pada aturan ke-i dan ) ( ~
i
A
d
i
adalah
derajat keanggotaan nilai keluaran pada aturan ke-i sedangkan n
adalah banyaknya aturan yang digunakan.

2.9. Definsi Kebisingan
Bunyi atau suara didengar sebagai rangsangan pada sel saraf
pendengar dalam telinga oleh gelombang longitudinal yang ditimbulkan
getaran dari sumber bunyi atau suara dan gelombang tersebut merambat
melalui media udara atau penghantar lainnya, dan manakala bunyi atau
suara tersebut tidak dikehendaki oleh karena mengganggu atau timbul di
luar kemauan orang yang bersangkutan, maka bunyi-bunyian atau suara
demikian dinyatakan sebagai kebisingan. Jadi kebisingan adalah bunyi atau
suara yang keberadaannya tidak dikehendaki (noise is unwanted sound).
Dalam rangka perlindungan kesehatan tenaga kerja kebisingan diartikan
sebagai semua suara/bunyi yang tidak dikehendaki yang bersumber dari
alat-alat proses produksi dan atau alat-alat kerja yang pada tingkat tertentu
dapat menimbulkan gangguan pendengaran (Sumamur, 2009).
16

Sementara dalam bidang kesehatan kerja, kebisingan diartikan sebagai
suara yang dapat menurunkan pendengaran, baik secara kualitatif
(penyempitan spektrum pendengaran) maupun secara kuantitatif
(peningkatan ambang pendengaran), berkaitan dengan faktor intensitas,
frekuensi, dan pola waktu (Buchari, 2008). Jadi, dapat disimpulkan bahwa
kebisingan adalah bunyi maupun suara-suara yang tidak dikehendaki dan
dapat mengganggu kesehatan, kenyamanan, serta dapat menimbulkan
gangguan pendengaran (ketulian).




















17



BAB III
METODELOGI PENELITIAN


3.1 Proses Pengambilan Data
Data diperoleh dengan pendeteksian suara melalui sound level meter
dengan kapasitas tingkat tekanan suara hingga 100dB dan proses perekaman
data dilakukan selama 1 menit untuk setiap 1 data prediksi yang secara
skematik konfigurasi pengambilan data. Sound level meter diletakkan tegak
lurus terhadap laju kendaraan supaya dapat menerima gelombang dengan
tepat. Selama pengambilan data hasil senantiasa diamati dan pengujian
dapat dilakukan dalam beberapa kali untuk setiap satu set jarak sound level
meter guna memastikan konsistensi suara. Hasil dari beberapa kali
pengujian didapatkan jarak antara sumber gelombang terhadap sound level
meter sama dengan jarak sound level meter terhadap permukaan jalan yaitu
1,5 meter.

3.2 Lokasi dan Instrumen Penelitian
Penelitian ini dilakukan pada minggu ke-2 bulan Mei 2007 dengan
interval waktu antara pukul 06.00 sampai dengan 18.00 WIB di ruas jalan
dan simpangan berlampu lalu lintas yang berlokasi di kota Bengkulu.
Seluruh lokasi pengujian merupakan jenis jalan arteri yang secara hirarki
fungsi memberikan fasilitas pelayanan yang terus-menerus dan sebagai jalur
distribusi lalu lintas. Sound level meter dalam kajian ini merupakan sensor
noise pabrikan dengan interval tingkat tekanan suara yang dipakai antara
50-100 dB.
3.3 Analisa dan Interpretasi Data
3.3.1 Kebutuhan Input dan Output
18

Himpunan-hinpunan fuzzy yang digunakan pada variabel pada
sistem prediksi seperti terlihat pada tabel 1.
Tabel 1. Himpunan Fuzzy Untuk Ruas Jalan dan Simpangan
Variabel
Nama
himpunan
Fuzzy
Domain Satuan
Kebisingan
Low [60,83]
dB Medium [60,100]
High [83,100]
Lebar jalan
Narrow [3, 7.5]
Meter Medium [3, 12]
Wide [7.5, 12]
Faktor
Koreksi
Low [0.4, 0.85]
% Medium [0.4, 1.3]
High [0.85, 1.3]
Jumlah
Kendaraan
Low [2] & [12]
Unit Medium [40] & [55]
High [58] & [90]

Tabel 2. Kombinasi Aturan Fuzzy Yang Digunakan
No. Kebisingan
Lebar
jalan
Faktor
Koreksi
Jumlah
Kendaraan
1 Low Narrow High Low
2 Low Medium High Low
3 Low Wide High Low
4 Low Narrow Medium Low
5 Low Medium Medium Low
6 Low Wide Medium Medium
7 Low Narrow Low Low
19

8 Low Medium Low Medium
9 Low Wide Low Medium
10 Medium Narrow High Low
11 Medium Medium High Low
12 Medium Wide High Medium
13 Medium Narrow Medium Low
14 Medium Medium Medium Medium
15 Medium Wide Medium High
16 Medium Narrow Low Medium
17 Medium Medium Low High
18 Medium Wide Low High
19 High Narrow High Medium
20 High Medium High Medium
21 High Wide High High
22 High Narrow Medium Medium
23 High Medium Medium High
24 High Wide Medium High
25 High Narrow Low High
26 High Medium Low High
27 High Wide Low High

3.3.2 Aturan If-Then
Fuzzy if-then rules yang digunakan disini sebanyak 27 aturan
yang dibuat sesuai untuk menggambarkan keadaan dengan catatan
bahwa setiap aturan yang dibentuk menyertakan semua variabel.
Metode inferensia fuzzy yang digunakan adalah metode sugeno orde
nol. Pada metode ini, anteseden direpresentasikan dengan proposisi
dalam himpunan fuzzy, sedangkan konsekuen direpresentasikan
dengan sebuah konstanta.
20

3.3.3 Sistem Inferensia Fuzzy
Pada sistem prediksi ini variabel input maupun variabel output
dibagi menjadi 3 variabel yang saling berkaitan. Fungsi implikasi
yang digunakan dalam sistem prediksi adalah MIN. Sistem prediksi
terdiri dari beberapa aturan sehingga inferensia diperoleh dari
kumpulan dan korelasi antar aturan. Sebelum dilakukan inferensia
perlu dicari terlebih dahulu derajat keanggotaan nilai tiap variabel
dalam setiap himpunan dengan menggunakan persamaan:
( )
( ) ( )
( ) ( )

>
s s
s s
s


=
c x
c x b
b x a
a x
b c x c
a b a x
c b a x f
; 0
; /
; /
; 0
, , ;

Kemudian dicari o -predikat untuk setiap aturan yang didapatkan dari
persamaan:
| | | | ( ) y x
A A B A
, min =


Input dari proses defuzzy adalah suatu himpunan fuzzy yang diperoleh
dari komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan
merupakan suatu bilangan pada domain himpunan fuzzy tersebut.
Sehingga jika diberikan suatu himpunan fuzzy dalam range tertentu,
maka harus dapat diambil suatu nilai crisp tertentu sebagai output.
Pada metode yang digunakan dalam penelitian ini, defuzzy dilakukan
dengan cara mencari nilai rata-ratanya dengan menggunakan
persamaan:


(1)
(2)
( )
( )

=
=
=
n
j
j
n
j
j j
Z
Z Z
Z
1
1
*

(3)
21

untuk Z adalah nilai rata-rata jumlah kendaraan, ) (
j
Z adalah nilai
o -predikat yang memenuhi aturan dan
j
Z adalah nilai domain output
jumlah kendaraan yang sesuai dengan o -predikat yang memenuhui
aturan.
BAB IV
HASIL DAN PEMBAHASAN

4.1 Pembahasan
Pengujian dilakukan dengan cara membandingkan hasil prediksi
sistem fuzzy dengan jumlah kendaraan sebenarnya. Pengujian dilakukan
terhadap variasi parameter sebagai berikut:
1. Memvariasikan nilai input dari faktor koreksi dan lebar jalan yang
berfungsi sebagai faktor penala sehingga diperoleh hasil predisksi
yang mendekati dengan hasil yang sebenarnya.
2. Melakukan perubahan terhadap bentuk domain membership function
input, yaitu pada input level kebisingan dan perubahan membership
function output yaitu jumlah kendaraan. Perubahan ini bertujuan
untuk meminimalisasikan error prediksi yang dihasilkan sistem fuzzy.

Setelah dilakukan beberapa perubahan terhadap nilai domain
membership function level kebisingan dan jumlah kendaraan, lalu dilakukan
pengujian sistem terhadap data sebenarnya, maka didapatkan nilai domainn
yang sebelumnya telah ditunjukkan dalam tabel 1 di atas. Tabel hasil
prediksi kendaraan bermotor untuk ruas jalan didapatkan sebagai berikut:
Tabel 3. Hasil Prediksi Jumlah Kendaraan Dengan Perubahan Membership Function
Input Leel Kebisingan Untuk Ruas Jalan Lokasi A
No.
Nilai
Kebisingan
(dB)
Jumlah Kendaraan
(unit) Error
(X1) &
(X2)
Aktual
(X1)
Prediksi
sistem
22

(X2)
1 79,1 25 26 4
2 77,4 24 23 4,1
3 81,7 30 29 3,3
4 90 42 41 2,3
5 83,4 33 34 3
6 89,1 40 40 0
7 86,6 36 38 5,5
8 80,1 29 27 6,8
9 79,8 26 26 0
10 85,3 35 37 5,7
11 84,3 34 35 2,9
12 83,7 33 34 3
13 76,7 23 22 4,3
14 81,6 30 29 3,3
15 86 36 36 5,5
Mean 3,58
Standar deviasi 1,92287

Lebar jalan

6.8 meter


Faktor koreksi 0,849068
sedangkan untuk simpangan berlampu lalu lintas didapatkan hasil
sebagai berikut:
Tabel 4. Hasil Prediksi Jumlah Kendaraan Dengan Perubahan Membership Function Input
Level Kebisingan Untuk Simpangan Berlampu Lalu Lintas Lokasi F
No.
Nilai
Kebisingan
(dB)
Jumlah Kendaraan
(unit)
Error
(X1) &
(X2)
Aktual
(X1)
Prediksi
sistem
(X2)
23

1 85,54 48 50 4,1
2 86,35 49 51 4,08
3 94,28 64 63 1,5
4 84,48 46 47 2,1
5 83,25 45 45 0
6 85,6 48 50 4,16
7 85,19 47 50 6,3
8 84,4 45 47 4,4
9 88,14 53 55 3,7
10 78,9 36 34 8,1
11 89,23 55 56 1,8
12 83,07 45 44 2,2
13 86,97 50 52 4
14 91,56 59 60 1,6
15 81,2 42 40 4,7
Mean 3,516
Standar deviasi 2,054058

Lebar jalan

7.5 meter
Faktor koreksi 0,958

Kemampuan Sistem dalam Memprediksi Jumlah Kendaraan
Bermotor
Sistem fuzzy yang telah diuji dengan menggunakan data yang
diakuisisi, kemudian dibandingkan menggunakan data dari lokasi yang
berbeda. Adapun hasil perbandingan yang dilakukan dapat dilihat pada tabel
5.
Pada tabel tersebut tampak bahwa nilai prediksi tiap lokasi begitu
beragam. Ada lokasi yang mampu diprediksi dengan baik dan ada pula
24

lokasi yang memiliki error prediksi di atas 7%. Hal ini dikarenakan dara
yang dimiliki pada beberapa lokasi memiliki kesamaan dalam nilai
kebisingan terhadap jumlah kendaraan bermotor yang ada, sehingga sistem
menghasilkan error prediksi yang tinggi.

Tabel 5. Hasil Perbandingan Terhadap Beberapa Kombinasi Kebisingan, Lebar Jalan Dan Faktor
Koreksi (Menggunakan Sistem Prediksi Yang Dibuat)
Lokasi
variasi nilai kebisingan (dB)
83 84 85 86 87
aktual prediksi aktual prediksi aktual prediksi aktual prediksi aktual prediksi
A 33 34 34 36 35 37 36 38 38 39
B 50 53 55 56 58 59 59 61 64 63
C 48 49 52 54 57 56 57 57 60 58
D 42 41 43 43 43 44 45 45 45 46
E 49 51 56 55 57 58 61 61 65 63
F 45 44 45 47 48 50 49 52 52 53
G 71 71 72 73 74 74 74 75 75 77
H 47 47 49 53 51 54 55 56 59 57

25

BAB V
PENUTUP


5.1 Kesimpulan
Pengukur tingkat kebisingan dapat diimplementasikan dalam bentuk
perangkat lunak aplikasi yang dapat membaca dan data secara langsung.
Hasil pengkuran program sangat bergantung pada spesifikasi sistem yang
digunakan.
Sistem orediksi fuzzy yang dibuat mampu memprediksi jumlah
kendaraan bermotor berdasarkan tingkat kebisingan, lebar jalan, dan faktor
koreksi dengan kesalahan terbesar 3-7%.















26

DAFTAR PUSTAKA

Direktorat Jendral Bina Marga. 1997. Manual Kapasitas Jalan Indonesia. Jakarta:
Indonesia.
Hermawan R.. 2001. Sistem Teknologi Transportasi. Bandung: Penerbit ITB.
Kusumadewi S., 2002. Analisis & Desain System Fuzzy (menggunakan Toolbox
Matlab).Yogyakarta : Graha Ilmu.
Kusumadewi S., Purnomo H. 2002. Aplikasi Logika Fuzzy untuk Pendukung
Keputusan. Yogyakarta : Graha Ilmu.
Lubis H. 2001. Pengantar Perencanaan dan Pemodelan Transportasi. Bandung:
Penerbit ITB.
Purnomowati, Endang R. 1997. Mencari Korelasi Tingkat Kebisingan Lalu Lintas
dengan jumlah Kendaraan yang lewat di jalan Kaliurang. Yogyakarta:
MediaTeknik.
Tamin O. Z. 2000. Perencanaan & Pemodelan Transportasi Edisi Kedua.
Bandung: Penerbit ITB.