ABSTRAK
Garam merupakan salah satu komoditas strategis, karena selain merupakan kebutuhan
pokok manusia, garam juga digunakan sebagai bahan baku industri. Indonesia adalah salah
satu negara yang memproduksi garam, namun Indonesia belum dapat memenuhi kebutuhan
garam dalam negerinya sendiri. Kementerian Kelautan dan Perikanan (KKP) setiap tahun
menargetkan produksi garam, dan sering kali target dan realisasi produksi garam tidak
tercapai. Oleh karena itu, untuk meminimalkan resiko kerugian petambak garam dan bahan
pertimbangan untuk menjaga neraca garam dibuatlah Sistem Cerdas Pendugaan Produksi
garam dengan menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS).
Sistem kerja dalam penelitian ini dengan tiga variable: curah hujan, nino 34 dan dipole mode,
dataset tersebut akan dibagi menjadi data training dan data testing. Data Training digunakan
untuk melatih sistem ANFIS sedangkan data Testing digunakan untuk mengukur akurasi
prediksi yang dihasilkan oleh ANFIS. Pengukuran tingkat akurasi menggunakan metode Root
Means Square Error ( RMSE ).
ABSTRACT
Salt is one of the strategic commodities, because besides being a basic human need,
salt is also used as an industrial raw material. Indonesia is one of the countries that produce
salt, but Indonesia has not been able to meet the needs of salt in its own country. The Ministry
of Maritime Affairs and Fisheries (KKP) targets annual salt production, and often targets and
realization of salt production is not achieved. Therefore, to minimize the risk of loss of salt
farmers and considerations for maintaining salt balance, an Intelligent Estimation of Salt
Production System was made using the Adaptive Neuro Fuzzy Inference System (ANFIS)
method. The work system in this study with three variables: rainfall, nino 34 and dipole mode,
the dataset will be divided into training data and testing data. Training data is used to train
ANFIS systems while Testing data is used to measure the accuracy of predictions produced by
ANFIS. Measuring the level of accuracy using the Root Means Square Error (RMSE)
method..
Dalam rangka membantu mewujudkan target dan realisasi produksi garam di Indonesia,
dibutuhkan suatu teknologi tepat guna yang mampu memprediksi musim garam. Purwarupa
Sistem Cerdas Pendugaan Produksi garam dengan menggunakan metode Adaptive Neuro
Fuzzy Inference System (ANFIS) merupakan satu diantara pengembangan teknologi tepat
guna dibidang kelautan dan perikanan.
Adaptive Neuro-Fuzzy Inference System (ANFIS) adalah penggabungan mekanisme
Fuzzy Inference System yang digambarkan dalam arsitektur jaringan syaraf tiruan. (Dewi &
Hartatik, 2006). Metode ANFIS diharapkan bisa mengatasi ketidak konsistenan data yang
didapat dari lapangan. Logika fuzzy mengevaluasi secara komprehensif, melalui
analisis regresi dan multiple discriminan analisis methods, dan mencapai beberapa hasil,
tapi indeks presisi dan metode evaluasi tidak tercapai dan sulit untuk menentukan bobot
evaluasi (Dong & Dai, 2009). Untuk mengoptimalkan kinerja fuzzy dalam penentuan bobot
melalui pembelajaran, dapat digunakan metode hybrid yaitu penggabungan fuzzy dengan
neural network (neuro fuzzy). ANFIS telah digunakan sebagai metoda pendugaan iklim
(Buono dkk, 2013) dan prediksi banjir (Prawiradisastra, 2017).
Parameter ANFIS dapat dipisahkan menjadi dua, yaitu parameter premis dan
konsekuensi yang dapat diadaptasikan dengan pembelajaran hybrid, pembelajaran hybrid
dilakukan dalam dua langkah yaitu langkah maju dan balik (Walid, Suprapto, & Zaini,
2014).Mekanisme penalaran terlihat pada Gambar 2.
………………………………………… 1)
Persamaan (1) menjelaskan bahwa x adalah masukan bagi simpul i, dan Ai adalah
labelbahasa (Linguistic Label) seperti misalnya “terang” atau “gelap”, dll. Dengan kata lain,
𝑂1, adalahtingkatan keanggotaan dari himpunan fuzzy Ai dan menentukan derajad
keanggotaan darimasukan x yang diberikan. Fungsi keanggotaan parameter dari A dapat
didekati dengan fungsiBell, Persamaan (2).
….………………………… 2)
Di mana {𝑗𝑖, 𝑘, 𝑙i} adalah himpunan parameter, parameter pada lapisan ini disebut
parameterparameterpremis.
Lapisan 2 : Setiap simpul pada lapisan ini diberi label N(Gambar 2), pada Persamaan(3)
bersifat non-adaptif (parameter tetap) yang mempunyai keluaran berupa perkalian dari
semuasinyal yang masuk.
………………… 3)
Lapisan 3 : Setiap simpul pada lapisan ini diberi label N (Gambar 2), Persamaan (4)
jugabersifat non-Adaptive. Masing-masing simpul menampilkan derajad pengaktifan
ternormalisasi dengan bentuk.
……………………….… 4)
Lapisan 4 : Tiap simpul pada lapisan ini berupa simpul adaptif dengan fungsi simpul
……………….… 5)
Persamaan (5) dengan 𝑤̅𝑖 adalah derajad pengaktifan ternormalisasi dari Persamaan (4)
dan{𝑝𝑖, 𝑞𝑖, 𝑟} merupakan himpunan parameter dari simpul ini. parameter di lapisan ini
dinamakan parameter-parameter konsekuen.
Lapisan lima : Simpul tunggal pada lapisan ini diberi label Σ (Gambar 2), Persamaan
(6)merupakan simpul tetap yang fungsinya untuk menjumlahkan semua masukan yang dihasil
dariperhitungan pada Persamaan (5) :
…………………………....… 6)
Pengujian Sistem
Pengujian sistem dilakukan dengan cara membandingkan nilai prediksi yang
dihasilkanoleh sistem yang dibangun (ANFIS) dengan data produksi garam di lapangan,
adapunmetode perbandingan yang digunakan adalah RootMeans Square Error (RMSE),
adapun persamaannyaadalah sebagai berikut.
………………....… 7)
METODOLOGI
Sistem kerja dalam purwarupa disusun dengan mengolah tiga variable, yaitu: curah
hujan, nino 34 dan dipole mode yang membentuk suatu dataset. Dataset tersebut akan dibagi
menjadi data training dan data testing. Data training digunakan untuk melatih sistem ANFIS
sedangkan data testing digunakan untuk mengukur akurasi prediksi yang dihasilkan oleh
ANFIS. Sebagai pengukur tingkat akurasi sistem, digunakan metode Root Means Square
Error ( RMSE ).
Data curah hujan
Dipole Mode
Peristiwa Dipole Mode ditandai dengan adanya perbedaan anomali suhu permukaan
laut antara amudera hindia tropis bagian barat dengan samudera hindia bagian timur.
Anomali ini memiliki kondisi yang sangat dingin lebih dingin dari cuaca normal. Dipole
mode merupakan gelombang kuasi-dua tahunan yang menyumbang sebagian besar
variabilitas musim antar-tahunan di Samudera Hindia Selatan (Menezes & Vianna, 2019).
Pendugaan produksi garam dihitung dari data curah hujan, nino 34, dipole mode dan
produksi garam, untuk data training dapat dilihat pada (Tabel 3), Metode ANFIS
membutuhkan proses pembelajaran atau learning agar bisa menghasilkan keputusan.
Tabel 3. Tabel produksi garam dari tahun 1991 sampai tahun 2017
(sumber: curah hujan dari BMKG, Nino dan dipole mode dari NOAA)
Curah Hujan Produksi Garam
Tahun (mm) Nino Dipole Mode (ton)
1990 86.30 0.11 0.00 268,579
Fuzzyfikasi Parameter
Fuzzyfikasi parameter yang dilakukan pada penelitian ini berdasarkan bentuk model fungsi
keanggotaannya, sebagai berikut:
2. Generate Fis dengan number of MFs 4 untuk curah hujan 8 untuk nino dan 3 untuk dipole
mode, Dipilih error tolerance sebesar 0 (default). Kemudian banyaknya epoch (iterasi)
proses training ditentukan sebanyak 100, Training error grafiknya semakin menurun dan
mencapai titik error tetap pada angka 1.3406 pada saat epoch mencapai 100. Artinya bahwa
proses training menghasilkan error minimum pada nilai 1.3406 terdapat pada Gambar 4.
Gambar 4. Pengukuran error antara training data menggunakan RMSE
3. Fuzzy logic dari sistem pendugaan produksi garam dengan 3 input dan 1 output, dapat
dilihat pada gambar 5
Gambar 5. Fuzzy logic dari sistem pendugaan produksi garam
4. Tampilan antar muka/ User Grafical Interface (GUI) sistem pendugaan produksi garam
dapat dilihat pada Gambar 6.
KESIMPULAN
Dari hasil penelitian yang dilakukan dari tahap awal hingga akhir dalam penerapan
metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk sistem cerdas pendugaan
produksi garam pada dapat disimpulkan bahwa :
1. Nilai akurasi dari berbagai pengujian model fungsi keanggotaan ANFIS secara keseluruhan
mendekati nilai target. Pengujian pada penelitian ini menunjukan bahwa model fungsi
memiliki hasil dengan RMSE sebesar 1.3406.
2. Telah terbangun sistem cerdas pendugaan produksi garam dengan grafikal user interface
(GUI) yang mudah dipakai.
DAFTAR PUSTAKA
Anonim, (2015), Materi Rakor Swasembada Garam Nasional, 9 April 2015, Kementerian
Kelautan dan Perikanan, Jakarta.
Aunurrofiqi I, (2018), Hubungan Karakteristik Kewirausahaan Petani Garam Dengan
Keberhasilan Usaha Garam Di Kabupaten Rembang, Skripsi, Departemen Agribisnis
Fakultas Ekonomi Dan Manajemen, Institut Pertanian Bogor, Bogor.
Buono A, Budiman J, Musthofa, (2013), Prediksi Awal Musim Hujan Menggunakan
Adaptive Neuro Fuzzy Inference System Pada Studi Kasus Kabupaten Indramayu,
Himpunan Informatika Pertanian Indonesia (HIPI), Bogor.
Dewi, S. dewi, & Hartatik, S. (2006). Neuro Fuzzy integrasi Sistem Fuzzy dan Jaringan
Syaraf Tiruan. Jojakarta: Graha Ilmu.
Dong, P., & Dai, F. (2009). Evaluation for Teaching Quality Based on Fuzzy Neural
Network. 2009 First International Workshop on Education Technology and Computer
Science. Zhengzhou: IEEE Computer Society.
Fajri H C, (2018), Kaitan Perubahan Iklim Terhadap Harga Pangan Serta Hortikultura Di
Daerah Terdampak Fenomena El Nino Dan La Nina, Skripsi, Departemen Ilmu
Ekonomi, Fakultas Ekonomi Dan Manajemen, Institut Pertanian Bogor, Bogor .
https://www.bmkg.go.id/iklim/informasi-hujan-bulanan.bmkg?p=analisis-curah-hujan-dan-
sifat-hujan-bulan-juni-2017&lang=ID di akses pada tanggal 5 februari 2019
https://ilmugeografi.com/ilmu-bumi/iklim/iklim-di-indonesiadi akses pada tanggal 12April
2019
Jamil A S, (2015), Analisis Permintaan Impor Garam Indonesia, Tesis, Program Pascasarjana
Ilmu Ekonomi Pertanian, Institut Pertanian Bogor, Bogor.
Mathur, N., Glesk, I., & Buis, A. (2016). Comparison of adaptive neuro-fuzzy inference
system (ANFIS ) and Gaussian processes for machine learning ( GPML ) algorithms
for the prediction of skin temperature in lower limb prostheses. Medical Engineering
and Physics, 38(10), 1083–1089. https://doi.org/10.1016/j.medengphy.2016.07.003
Menezes VV, Vianna ML, (2019), Quasi-biennial Rossby and Kelvin waves in the South
Indian Ocean: Tropical and subtropical modes and the Indian Ocean Dipole, Deep Sea
Research Part II: Topical Studies in Oceanography, In Press, Corrected Proof,
https://doi.org/10.1016/ j.dsr2.2019.05.002
Prawiradisastra F, (2017), Pengembangan Model Prediksi Banjir Menggunakan Adaptive
Neuro Fuzzy Inference System (Anfis) Pada Sungai Ciliwung, Tesis, Program
Sekolah Pascasarjana, Institut Pertanian Bogor, Bogor.
Susanto H, Rokhati N, Santosa G W, (2015), Development of Traditional Salt Production
Process for Improving Product Quantity and Quality in Jepara District, Central Java,
Indonesia, Procedia Environmental Sciences 23 , Pp 175 – 178. https://doi:
10.1016/j.proenv.2015.01.027
Walid, M., Suprapto, Y. K., & Zaini, A. (2014). Noise Detection On The Temple Relief
Images Using Adaptive Neuro Fuzzy Inference System. ISITIA 2014