Anda di halaman 1dari 34

|  


 |


|  
 

 
 ! 

 

Tresna Bulan Festianti


25309023
¦atar belakang
ë Partikulat PM-10 adalah partikel debu yang berukuran
sangat kecil kurang lebih < 10 µm, ini sangat berbahaya
bagi manusia karena ukuran partikulat yang dapat
masuk ke dalam pernapasan manusia adalah yang
berukuran 0.1 µm sampai 10µm.
ë kadar partikel debu (0   è yang
terkandung dalam udara Jakarta adalah yang tertinggi
nomor 9 (yaitu 104 Mg/M3è
ë ÷ota Bandung Partikulat halus sudah mencapai lebih
dari 70% dari total partikel yang ada, yakni 60 Mg/M3
Tujuan Penelitian
ë memperoleh pola variasi temporal konsentrasi
PM-10 di kota Bandung dan Jakarta.
ë mengetahui hubungan antara konsentrasi PM-10
dengan parameter meteorologi.
ë mengetahui profil dan kolerasi antara konsentrasi
PM-10 dengan parameter meteorologi melalui uji
statistik.
ë memperoleh variabel yang dominan berperan
dalam pemodelan sehingga dapat memprediksi
konsentrasi PM-10 dengan tepat dengan
pengunaan parameter yang terbatas.
 ipotesa
ë Penelitian ini menghasilkan hasil prediksi PM-
10 di kota Jakarta dan Bandung lebih baik
pada saat musim kemarau
ë Dalam penelitian ini diharapkan agar hasil
analisa sesuai dengan nilai data pengukuran
÷arakteristik PM-10
ë Debu di atmosfer adalah partikel yang terdiri
dari padat dan cair yang menyebar di udara
dan ukurannya adalah antara 0.0002-500
mikron. Ukuran debu yang dapat melayang di
udara untuk waktu yang lama tidak lebih dari
10 mikron.
Îumber Polusi Dari Debu
ë Dari proses alamiah, seperti tanah, pasir, batu,
uap, asap dari api dan garam dari air laut.
ë Dari aktivitas manusia :
aè Debu dari transportasi dan kemacetan
kendaraan seperti tanah, pasir yang tersebar
karena mobil berjalan, dan asap dari
pembakaran mesin diesel, dll.
bè Debu dari pembangunan seperti gedung,
pembangunan jalan dan penghancuran.
cè Debu dari industri seperti industri semen,
penghancuran batu, dan lain-lain.
Dampak PM-10
ë PM10 dapat merugikan kesehatan manusia
karena dapat masuk kebagian paling dalam
yaitu sistem pernapasan, jaringan paru-paru
dan membawa zat berbahaya ke dalam tubuh
manusia. Bagian-bagian tersebut termasuk
bagian yang paling a
a  dan yang dapat
dengan mudah menerima efek merugikan dari
PM10 adalah anak-anak, orang tua, dan
mereka yang mempunyai penyakit pernapasan
bawaan.
!      (ANNè
ë ANN merupakan suatu tool pemodelan data yang
mampu untuk menangkap dan
merepresentasikan hubungan 
00 yang
kompleks.
ë ÷ekuatan yang utama dari   
 

 terletak pada kemampuannya untuk
merepresentasikan hubungan baik secara linier
maupun non-linier dan kemampuan mereka
untuk mempelajari hubungan tersebut secara
langsung pada data yang sedang dimodelkan
Pemodelan ÷ualitas Udara
ë memprediksikan polusi udara dengan tiga
metode yang berbeda :  
 


 aa
dan 0aa
 untuk
memprediksikan rata-rata dari konsentrasi PM2,5
perjam di area Îantiago, Chili. Îecara keseluruhan
!      memberikan hasil yang
terbaik. ÷esalahan dalam prediksi di penelitian ini
bervariasi mulai dari 30% pada waktul awal
sampai 60% pada waktu terlambat. (Patricio
Perez,2003è
ë Dalam penelitian ini menggunakan data yang
cukup banyak, seperti data konsentrasi, data
  , penggantian nilai-nilai konsentrasi
yang hilang dan data meteorologi. Dari hasil
penelitian tersebut dapat dilihat bahwa model
NN non-linear lebih baik dari model-model
linier dan model NN menghasilkan bahwa
hasil dari NO2 lebih baik dibandingkan dengan
PM10. (Îteve Dorling,2003è
ë penelitian ini menggabungkan efek dari
kondisi meteorologi lokal dan lainnya yang
terkait polutan secara eksplisit. ANN yang
gunakan adalah T¦FN.  asil dari penelitian ini
menunjukkan bahwa setengah dari rata-rat
prediksi pm10 yang dicapai a  
0
  (ARPEè kurang dari 50%
pada saat musim panas.  al ini menunjukkan
hasil prediksi pada saat musim panas sedikit
lebih baik (¦. .¦am, ÷.M.Mok,2006è
onput Data
ë Data meteorologi :
1. Temperatur
2. ÷ecepatan angin
3. Arah angin
ÿ    
 aa
 

ë Data yang diperlukan dalam mengukur polusi
udara adalah data konsentrasi PM10 .
Îkema model penelitian
  
   

   
Î     


  
     

         


     
   

       


Proses dari ANN
1. pemilihan pencemaran arsitektur yang
optimal berdasarkan model ANN
2. Pemilihan fungsi aktivasi terbaik
3. Pemilihan optimum dari  

0  
( 

 è 
µ (  
  è
4. onisialisasi bobot network dan bias
5. pelatihan dan generalisasi model
6. Evaluasi model
2
      
       
ë Terdiri dari 3 langkah yaitu :
1. Pelatihan pola input secara feedforward
2. Perhitungan
3. Backpropagation dari kumpulan kesalahan
dan penyesuain bobot
Algoritma untuk ANN
ë onisialisasi bobot awal (diambil mulai dari nilai
terkecil secara randomè
1. Tiap unit input menerima sinyal input (xè dan
menyebarkan ke sinyal hidden unit
2. Tiap hidden unit menjumlahkan bobot sinyal
input dan aplikasikan fungsi aktivasi untuk
untuk menghitung sinyal output dan
mengirim ke unit output:
3. Tiap unit output menjumlahkan bobot sinyal
input dan aplikasikan fungsi aktivasi untuk untuk
menghitung sinyal output :

4. tiap unit output menerima sebuah pola target


yang bersesuaian dengan pola input,
menghitung informasi kesalahan kemudian
mernghitung koreksi bobot (wè dan menghitung
koreksi bias setelah itu dikirim ke lapisan
sebelumnya : Yj = F ( jè
£

5. Tiap hidden unit menjumlahkan input delta


dari unit lapisan setelahnya lalu dikalikan
dengan turunan dari fungsi aktivasinya untuk
menghitung error kemudian hitung koreksi
bobot (vè dan koreksi bias : Zk = F (okè
6. Tiap output unit memperbaiki bias dan
bobotnya (wè
7. Tiap hidden unit memperbaiki bias dan
bobotnya (vè

m Bobot ini digunakan sebagai bobot awal pada


proses epoch berikutnya, yang akan
berlangsung hingga target error tercapai atau
sampai jumlah epoch maksimal
Analisa kualitas
ë  al yang terpenting dalam pemodelan ini adalah
analisa output tersebut sesuai atau tidak dengan
nilai data pengukuran agar dapat dijadikan
pedoman pada waktu yang akan datang.
Pemeriksaan dilakukan dengan menghitung error
dan kolerasi data model terhadap data
pengamatan
ë Validasi dan akurasi dilhat dari nilai RMÎE (

a è, MBE ( 
 aè serta
R (koefisien kolerasiè untuk mengetahui linieritas
data pengukuran dan data prediksi.
ë RÎME (akar rata-rata error kuadratè yang
dihitung dengan persamaan :
RÎME = ½

ë MBE =
ë ÷oefisien relasi (Rè dipakai untuk menguji
hubungan linier antara nilai yang dihitung dan
nilai pengamatan
ë R=
Data awal
ë januari
*  

˜   
     
    
      
!"#$      

*  
%&'
,- ( ".

 $)*  (/ (("
 (  + ((" 0 1 2
        
       
!"#$       
ë febuari
*  


˜   
     
     
      
!"#$     

*  
%&'
,- ( ".
 (
 $)*  / (("
 (  + ((" 0 1 2
       
       
!"#$        
ë maret
*  

˜   
     
     
     
!"#$       

*  
%&'
,- ( ".

 $)*  (/ (("
 (  + ((" 0 1 2
         
        
!"#$        
ë april
*  


˜   
     
      
       
!"#$      

*  
%&'
,- ( ".

 $)*  (/ (("
 (  + ((" 0 1 2
        
!        
!"#$          
ë mei
*  


˜   
     
    
!      
!"#$       

*  
%&'
,- ( ".
 (
 $)*  / (("
 (  + ((" 0 1 2
       
!       
!"#$        
ë juni
*  


˜   
     
      
!     
!"#$     

*  
%&'
,- ( ".

 $)*  (/ (("
 (  + ((" 0 1 2
        
!        
!"#$        
ë juli

*  


˜   
     
    
!      
!"#$       

*  
%&'
,- ( ".
 (
 $)*  / (("
 (  + ((" 0 1 2
         
!        
!"#$       
ë agustus

*  


˜   
     
    
!      
!"#$       

*  
%&'
,- ( ".
 (
 / (("
 (  $)* + ((" 0 1 2
      
!       
!"#$        
ë september

*  


˜   
     
    
!      
!"#$     

*  
%&'
,- ( ".
 (
 / (("
 (  $)* + ((" 0 1 2
        
!       
!"#$        
Rencana penelitian
!$%  3! ˜
% 4
%  
! %!  % ! %
-!!% ! 
 
5 › 
› 
 ( $%  
! % 6 $7  
& %  
5 % % %