Volume 10, No 2, 2016Dr. Nasrullah Armi P2 Elektronika dan Telekomunikasi LIPI Redaksi Pelaksana...

Volume 10, No 2, 2016

Daftar Isi:

Teknik Normalisasi Fitur Secara Adaptif untuk Sistem Pengenalan Ucapan TahanTerhadap Gema

47-56

Hilman Ferdinandus Pardede

Algoritma Criss-cross dan Branch and Bound dalam Pemrograman Linier Integer,Studi Kasus : Produksi Pangan

57-66

Antonius Bima Murti Wijaya

Sistem Pengendali Pemanas Pemanggang Kopi Menggunakan Logika Fuzzy 67-74Eko Joni Pristianto, Hana Arisesa, Arief Nur Rahman

Pemodelan dan Simulasi Kendaraan Listrik Berbasis Motor Arus Searah padaMATLAB/Simulik

75-80

Adnan Rafi Al-Tahtawi

Online Monitoring Kualitas Air pada Budidaya Udang berbasis WSN dan IoT 81-86Yudi Yuliyus Maulana, Goib Wiranto, Dayat Kurniawan

Sistem Informasi pada Monitoring Gempa Bumi Jisview dan Penentuan PotensiTsunami Menggunakan Duration Rupture

87-105

Wiko Setyonegoro, Januar Arifin, Thomas Hardy

2/2016Pusat Penelitian Informatika - LIPI

Jurnal INKOM Vol. 10 No. 2 Hal. 47-105 Bandung, p-ISSN 1979-8059November 2016 e-ISSN 2302-6146

1

p-ISSN 1979-8059, e-ISSN 2302-6146

Volume 10, No 2, November 2016

Penanggung JawabKepala Pusat Penelitian Informatika - LIPI

Dewan RedaksiKetua Dr. Esa Prakasa Pusat Penelitian Informatika LIPIAnggota Prof. Dr. Ir. Engkos Koswara N., M.Sc. Pusat Penelitian Informatika LIPI

Dr. Ir. Ashwin Sasongko Sastrosubroto., M.Sc. Pusat Penelitian Informatika LIPIDrs. Tigor Nauli Pusat PenelitianInformatika LIPIDr. Edi Kurniawan Pusat Penelitian Fisika LIPIDr. Kadek Heri Sanjaya Pusat Penelitian Telimek LIPIDr. Nasrullah Armi P2 Elektronika dan Telekomunikasi LIPI

Redaksi PelaksanaPenyunting Tata Letak Nurhayati Masthurah, M.Kom Puslit Informatika LIPIPenyunting Naskah Riyo Wardoyo,M.T. Puslit Informatika LIPI

Arwan Ahmad Khoiruddin, M.Cs Puslit Informatika LIPIDesain Grafis Dicky Rianto Prajitno, M.T. Puslit Informatika LIPI

Mitra BestariDr. Adhistya Erna Permanasari (Informatika), Dr. Irwan Purnama (Otomasi), DikdikKrisnandi, M.T (Otomasi), Dr. Edward Yazid (Otomasi), Dr. M. Agni Catur Bhakti(Informatika), Iman Firmansyah, M.Si (Otomasi), Dr. Kadek Yota Ernanda Aryanto

(Informatika)

SekretariatAsri Rizki Yuliani, MBA Puslit Informatika LIPIRini Wijayanti, M.Kom Puslit Informatika LIPINana Suryana,M.T Puslit Informatika LIPI

Alamat Redaksi

Jurnal INKOM

Pusat Penelitian Informatika, Lembaga Ilmu Pengetahuan Indonesia

Komp. LIPI Gd. 20 Lt. 3 Jln Sangkuriang, Bandung, 40135

Telp: +62 22 2504711, Fax: +62 22 2504712

Email: [email protected], Website: http://jurnal.informatika.lipi.go.id

Pertama terbit: Mei 2007

Frekuensi terbit: Dua kali setahun, setiap bulan Mei dan November

Jurnal INKOM adalah jurnal yang mengkaji masalah yang berhubungan dengan Informatika, SistemKendali, dan Komputer dengan keberkalaan penerbitan dua kali setahun pada Mei dan November. Tulisanyang dipublikasikan berupa hasil penelitian, pemikiran atau pengembangan untuk kemajuan keilmuan atauterapan. Kelayakan pemuatan dipertimbangkan oleh penilai dengan double blind review berdasarkan keaslian(originalitas) dan keabsahan (validitas) ilmiah.

c©2016 Hak cipta dilindungi undang-undang

2

Volume 10, No 2, 2016

Daftar Isi

Hasil Penelitian Halaman

Teknik Normalisasi Fitur Secara Adaptif untuk Sistem Pengenalan Ucapan TahanTerhadap Gema

47-56

Hilman Ferdinandus Pardede

Algoritma Criss-cross dan Branch and Bound dalam Pemrograman Linier Integer,Studi Kasus : Produksi Pangan

57-66

Antonius Bima Murti Wijaya

Sistem Pengendali Pemanas Pemanggang Kopi Menggunakan Logika Fuzzy 67-74Eko Joni Pristianto, Hana Arisesa, Arief Nur Rahman

Pemodelan dan Simulasi Kendaraan Listrik Berbasis Motor Arus Searah padaMATLAB/Simulik

75-80

Adnan Rafi Al-Tahtawi

Online Monitoring Kualitas Air pada Budidaya Udang berbasis WSN dan IoT 81-86Yudi Yuliyus Maulana, Goib Wiranto, Dayat Kurniawan

Sistem Informasi pada Monitoring Gempa Bumi Jisview dan Penentuan PotensiTsunami Menggunakan Duration Rupture

87-105

Wiko Setyonegoro, Januar Arifin, Thomas Hardy

• i

Volume 10, No 2, 2016

Editorial

Pembaca yang terhormat, Jurnal INKOM Volume 10 Nomor 2 Tahun 2016 akhirnya diterbitkandengan menyajikan 6 karya tulis ilmiah terpilih dan telah melalui proses double-blind review paramitra bestari. Karya tulis pertama berjudul ”Teknik Normalisasi Fitur Secara Adaptif untuk SistemPengenalan Ucapan Tahan Terhadap Gema”. Naskah ini memaparkan metode yang bisa digunakanuntuk menaikkan tingkat ketahanan sistem pengenalan ucapan (speech recognition system) terhadapgema. Implementasi metode ini akan sangat membantu dalam meningkatkan unjuk kerja sistempengenalan ucapan. Perbandingan dengan metode-metode normalisasi lain yang bersifat konvensionaljuga disajikan di dalam naskah ini. Karya tulis kedua berjudul Algoritma ”Criss-cross dan Branch andBound dalam Pemrograman Linier Integer, Studi Kasus: Produksi Pangan”. Dengan menggunakanpenyelesaian linier, naskah ini memaparkan cara penentuan jumlah bahan baku pada sebuah prosesproduksi bahan pangan.Naskah ketiga berjudul ”Sistem Pengendali Pemanas Pemanggang Kopi Menggunakan LogikaFuzzy”. Naskah ini memaparkan pengembangan mesin panggang (sangrai) kopi denganmengimplementasikan logika fuzzy. Metode logika fuzzy dipilih agar sistem yang dikembangkanmempunyai kemampuan menyangrai kopi sebagaimana para ahli kopi. Karya tulis keempat berjudul”Pemodelan dan Simulasi Kendaraan Listrik Berbasis Motor Arus Searah pada MATLAB/Simulink”.Dengan menggunakan model arus searah sebagai komponen utama kendaraan listrik, maka penulisbisa melakukan simulasi keperluan daya atas segala skenario perjalanan. Naskah berjudul ”OnlineMonitoring Kualitas Air pada Budidaya Udang Berbasis WSN dan IoT” disajikan sebagai naskahkelima. Beberapa parameter yang diperlukan dalam kegiatan budidaya udang - DO (DissolvedOxygen), pH, conductivity dan temperatur berhasil direkam dan diintegrasikan dengan menggunakanteknologi WSN dan IoT. Hasil pengumpulan data parameter kemudian disimpan di internet agarmudah dimanfaatkan dalam pengelolaan industri budidaya.Karya tulis keenam dengan judul ”Sistem Informasi pada Monitoring Gempa Bumi Jisview danPenentuan Potensi Tsunami Menggunakan Duration Rupture” ditampilkan sebagai penutup dipenerbitan ini. Naskah ini memaparkan integrasi sistem informasi yang bisa digunakan untukmemantau potensi tsunami di Indonesia. Akhir kata kami mewakili Dewan Editor mengucapkanterima kasih kepada para anggota Dewan Pengarah, Dewan Redaksi, Editor Pelaksana, Sekretariat,Reviewer dan para penulis yang telah banyak berkontribusi dalam proses penerbitan Jurnal INKOMVolume 10 Nomor 2 Tahun 2016. Redaksi Jurnal INKOM juga mengundang para peneliti, akademisimaupun praktisi untuk megirimkan naskah-naskah terbaiknya ke Jurnal INKOM. Sesuai dengankebijakan yang ada di Redaksi, maka mulai tahun 2017 dan seterusnya naskah yang diterbitkan harusdalam bentuk bahasa Inggris. Hal ini diperlukan agar cakupan pembaca Jurnal INKOM lebih luassekaligus meningkatkan mutu penerbitan. Semoga terbitan Jurnal INKOM kali ini semakin lebih baikdari penerbitan sebelumnya dan bermanfaat bagi komunitas ilmiah di Indonesia.

Ketua Dewan Redaksi

ii •

Volume 10, No 2, 2016

Kata kunci yang dicantumkan adalah istilah bebas. Lembar abstrak ini boleh disalin tanpa izin dan biayaHilman Ferdinandus Pardede (Pusat Penelitian Informatika-LIPI)Teknik Normalisasi Fitur Secara Adaptif untuk Sistem Pengenalan Ucapan Tahan Terhadap GemaINKOM, 10(2) 2016: 47-56

Gema menurunkan performa sistem pengenalan ucapan (SPU) atau automatic speech recognition secarasignifikan. Salah satu teknik yang paling populer untuk mengurangi efek gema adalah dengan menormalisasifitur pada SPU. Pada penelitian sebelumnya, q-log spectral mean normalization (q-LSMN) telah diperkenalkanuntuk mengurangi efek distorsi aditif dan convolutif. Metode ini merupakan pengembangan teknik normalisasikonvensional pada domain q-log. Metode ini dikembangkan untuk mengurangi efek gema dan teknik adaptifuntuk menentukan nilai q terbaik untuk q-LSMN diperkenalkan. Hasil percobaan pada pengenalan angka (digitrecognition) menunjukkan bahwa teknik tersebut meningkatkan ketahanan SPU terhadap gema. Metode inilebih baik dibandingkan metode normalisasi konvensional seperti cepstral mean normalization dan log spectralmean normalization.

(Penulis)Kata kunci : normalisasi fitur, q-logarithma, gema, sistem pengenalan ucapanAntonius Bima Murti Wijaya (Universitas Kristen Immanuel)Algoritma Criss-cross dan Branch and Bound dalam pemrograman linier integer, Studi Kasus :Produksi PanganINKOM, 10(2) 2016: 57-66

Dalam laporan analisis situasi pangan dan gizi tahun 2014 oleh badan ketahanan pangan dan penyuluhanDaerah Istimewa Yogyakarta terdapat 16 desa yang resiko pangan dan gisi tergolong waspada dan 26 desayang resiko pangan dan gisi tergolong rawan, efisiensi penggunaan bahan baku pangan menjadi sangatpenting peranannya. Efisiensi bahan baku bisa digunakan juga untuk mencapai keuntungan dalam industrimakanan. Dalam penelitian ini masalah pangan tersebut dipandang dan diformulasikan dengan menggunakanpemrograman linier yang diselesaikan dengan model integer. Algoritma criss-cross yang dikombinasikandengan algoritma branch and bound diusulkan dalam penyelesaian masalah integer linear programming.Penelitian ini berfokus pada penerapan kedua algoritma tersebut dalam studi kasus produksi makanan danpencarian kondisi batasan yang sesuai. Penelitian ini berhasil menerapkan penggabungan algoritma criss-crossdan branch and bound. Penelitian ini mendefinisikan 4 batasan yang dapat diperhatikan untuk mengurangipencabangan dalam pencarian nilai integer.

(Penulis)Kata kunci: algoritma criss-cross, branch and bound, integer linear programming

• iii

Volume 10, No 2, 2016

Kata kunci yang dicantumkan adalah istilah bebas. Lembar abstrak ini boleh disalin tanpa izin dan biayaEko Joni Pristianto, Hana Arisesa, Arief Nur Rahman (Pusat Penelitian Elektronika dan Instrumentasi - LIPI)Sistem Pengendali Pemanas Pemanggang Kopi Menggunakan Logika FuzzyINKOM, 10(2) 2016: 67-74

Mesin pemanggang kopi merupakan sebuah mesin yang digunakan untuk menyangrai biji kopi agarmatang, sehingga siap untuk diproses lebih lanjut. Prinsip kerja mesin ini adalah produk dipanaskan dalamruang sangrai yang berputar dengan suhu tertentu, sehingga pemanasan bisa merata. Salah satu jenis pemanaspemanggang kopi adalah elemen pemanas listrik, dimana sistem kerjanya masih banyak dikendalikan secaramanual dengan saklar atau semi otomatis menggunakan timer yang dioperasikan oleh seorang operator. Prosespemanggangan (roasting) kopi sangat menentukan cita rasa kopi, sehingga dibutuhkan seorang operator yangahli di bidang ini. Pada paper ini akan didesain sebuah sistem pengendali pemanas pemanggang kopi denganlogika fuzzy. Aturan-aturan fuzzy yang akan di bangun, didasarkan atas keahlian atau pengalaman seorangoperator. Logika fuzzy yang dihasilkan akan diaplikasikan pada sebuah mikrokontroler dengan menggunakanpemrograman bahasa C. Tujuan dari penelitian ini adalah membangun sebuah sistem pengendali pada pemanaspemanggang dengan logika fuzzy, sehingga proses roasting biji kopi dapat bekerja secara otomatis. Hasilpenelitian ini adalah sebuah prototype yang merepresentasikan sistem kerja pengendali pemanas pemanggangkopi menggunakan logika fuzzy.

(Penulis)Kata kunci: pemanggang kopi, fuzzy, mikrokontrollerAdnan Rafi Al-Tahtawi (Program Studi Teknik Komputer, Politeknik Sukabumi)Pemodelan dan Simulasi Kendaraan Listrik Berbasis Motor Arus Searah pada MATLAB/SimulikINKOM, 10(2) 2016: 75-80

Kendaraan listrik merupakan jenis kendaraan yang ramah lingkungan karena tidak menghasilkan polusiudara. Saat ini penelitian terkait kendaraan listrik, khususnya mobil listrik, masih terus dilakukan baik secarasimulasi maupun eksperimen langsung. Pada makalah ini, akan dimodelkan dan disimulasikan mobil listrikmenggunakan MATLAB/Simulink berbasis motor arus searah (MAS). Interaksi antara roda mobil denganpermukaan jalan dapat disimulasikan menggunakan dua buah MAS yang saling terhubung sumbu putarnya.MAS1 dan MAS2 berturut-turut diasumsikan sebagai motor listrik dan profil jalan. Masukan pada MAS1adalah profil kecepatan dan masukan MAS2 adalah profil sudut kemiringan jalan. Dengan digunakannya modelini, besarnya konsumsi daya yang diperlukan oleh mobil listrik untuk setiap skenario yang dirancang dapatdiamati dengan mudah.

(Penulis)Kata kunci: Mobil listrik, daya, motor arus searah (MAS), MATLAB/Simulink

iv •

Volume 10, No 2 2016

Kata kunci yang dicantumkan adalah istilah bebas. Lembar abstrak ini boleh disalin tanpa izin dan biayaYudi Yuliyus Maulana, Goib Wiranto, Dayat Kurniawan (Pusat Penelitian Elektronika dan Instrumentasi -LIPI)Online Monitoring Kualitas Air pada Budidaya udang berbasis WSN dan IoTINKOM, 10(2) 2015: 81-86

Dalam tulisan ini dijelaskan desain dan pengembangan sistem online monitoring kualitas air berbasiswireless sensor network (WSN) dan Internet of Things (IoT). Sistem ini didesain dan dikembangkan untukmemantau parameter DO (Dissolved Oxygen), pH, conductivity, dan temperatur pada budidaya udang. Sistemterdiri dari beberapa node sensor dengan komponen utama arduino uno yang terhubung dengan Xbee boarddan master board dengan komponen utamanya adalah Raspberry Pi 2 (RPi2) board dan Xbee. Data dikirimdari masing-masing node ke RPi2 menggunakan jaringan WSN dengan paket data yang dilengkapi denganmasing-masing ID, setelah itu data disimpan di database internal RPi2 dan ditampilkan di graph. Timer updateserver digunakan untuk update data dari RPi2 ke server menggunakan jaringan internet melalui wifi. Data diserver dapat dilihat menggunakan website, selain itu juga data dapat dilihat pada aplikasi Telegram Messengeryang ter-install di perangkat ponsel. Program RPi2 dikembangkan menggunakan bahasa python dan komponenmatplotlib. Hasil percobaan menunjukkan bahwa sistem memiliki prospek yang besar dan dapat digunakanuntuk keperluan budidaya udang dengan memberikan informasi yang relevan dan tepat waktu. Data hasilpengumpulan tersebut dapat digunakan untuk penelitian dan analisa lebih lanjut.

(Penulis)Kata kunci: budidaya udang, Internet of Things, kualitas air, sensor, wireless sensor networkWiko Setyonegoro, Januar Arifin, Thomas Hardy (Pusat Penelitian dan Pengembangan BMKG)Sistem Informasi pada Monitoring Gempa Bumi Jisview dan Penentuan Potensi Tsunami MenggunakanDuration RuptureINKOM, 10(2) 2016: 87-105

Sistem monitoring gempa bumi dan tsunami diperlukan untuk memberikan informasi yang akuratmengenai parameter mekanisme sumber terjadinya gempa bumi. Pengembangan yang dilakukan menurutpembagian segmen tingkat aktivitas seismik untuk model kecepatan lokal di Sumatra, Jawa, Bali, Sulawesidan Papua. Model kecepatan ini bermanfaat untuk keakurasian penentuan parameter magnitude, koordinat,kedalaman dan waktu terjadinya gempa bumi. Beberapa tujuan pengembangan terbaru, diantaranya instalasihasil upgrading Jisview di stasiun pencatat gempa bumi BMKG yang ditempatkan di seluruh Indonesia(UPT), kemudian clustering pada processing data waveform menjadi beberapa segmen monitoring untuktujuan efisiensi dan akurasi pengunduhan data waveform. Dilakukan juga kompilasi pada beberapa softwarependukung seperti : Azmtak, VB 6.0, SQLyog, M Visual C++, Matlab, 7.8, MapWinGis, Active Control,Map Object 2.2, Data Dinamic Active Report, MySql connector odbc, media dissemination sebagai desaininstalasi ramah pengguna yang mudah dioperasikan staf monitoring gempa bumi. Lebih jauh, dilakukanvalidasi akurasi sistem monitoring gempa bumi dan penentuan potensi tsunami yang akurat melalui Tdur, Tddan T50x di Puslitbang BMKG. Pengembangan tersebut saling terintegrasi dalam penguatan pengembangansistem monitoring gempa bumi. Output dari informasi parameter gempa bumi yang di rilis secara near real-time adalah koordinat, waktu, magnitudo (Mw), kedalaman, strike, dip dan slip, sedangkan output informasipotensi tsunami yang di rilis adalah Td, Tdur, T50x, Td*Tdur dan Td*T50x.

(Penulis)Kata kunci: monitoring gempa bumi, penentuan potensi tsunami, durasi rupture

• v

Volume 10, No 2, 2016

The descriptor given are free terms. This abstract sheet may be reproduced without permission or charge.Hilman Ferdinandus Pardede (Research Center for Informatics, Indonesian Institute of Sciences)Adaptive Feature Normalization for Speech Recognition Robust Against ReverberationINKOM, 10(2) 2016: 47-56

Reverberation degrades the performance of speech recognition significantly. Normalizing the featuresis arguably the most popular method to reduce the effect of reverberation on speech recognition. In previousworks, q-log spectral mean normalization (q-LSMN) has been shown effective to remove convolutional andadditive distortions in speech recognition. This method is an extension of traditional mean normalization on q-log domain. This method is extended in order to deal with reverberation and an adaptive technique to determinea suitable q in q-LSMN is proposed. Recognition results on digit recognition tasks for real recordings showthe proposed method improves the robustness of speech recognition against reverberation. It is better thantraditional techniques such as cepstral or log spectral mean normalization.

(Author)Keywords: feature normalization, q-logarithm, reverberation, automatic speech recognitionAntonius Bima Murti Wijaya (Christian Immanuel University)Criss-cross Algorithm and Branch and Bound in Integer Linear Programming, Case Study: FoodProductionINKOM, 10(2) 2016: 57-66

The Special Region of Yogyakarta on their reports of food situation analysis in 2014 by Body of FoodSecurity and Counseling told that there are 16 villages in category of vulnerable risk of food and 26 villages incategory of wary risk of food and nutrition. In food industry, then efficiency of food ingredients using has animportant role. This efficiency could also lead to profit for food industry. Integer linear programming becomethe mathematical view that suggested by this research to formulated the problem. Criss-cross algorithm willbe combined with branch and bound algorithm to solve the integer linear programming problem. The focusof this research is to applied both of the algorithm in the case of food production and finding the right boundcondition. This research succeeded to applied and combined the criss-cross and branch and bound algorithm.This research also defined 4 bounds condition that could be consider to diminish the branch while finding theoptimal integer value.

(Author)Keywords: criss-cross algorithm, branch and bound, integer linear programming

vi •

Volume 10, No 2, 2016

The descriptor given are free terms. This abstract sheet may be reproduced without permission or charge.Eko Joni Pristianto, Hana Arisesa, Arief Nur Rahman (Research Center for Electronics andTelecommunications, Indonesian Institute of Sciences)Heater Coffe Roaster Controller System Using Fuzzy LogicINKOM, 10(2) 2016: 67-74

Coffee roaster is commonly used for transforming the chemical and physical properties of green coffeebeans into roasted coffee products. The working principle of coffee roaster is roasting raw coffee beans ina rotating drum using high temperature for a limited period of time. One of roaster heater element is usingelectric system which is operated manually using switch or semi-automatic timer by an operator. Good tastecoffee is determined by excellent roasting process by an expert operator. Therefore, in this article a heaterelement control concept is introduced using fuzzy logic system. Fuzzy rules are build based on expertise orexperience of expert operator. Logic fuzzy is implemented with microcontroller using C. The purpose of thiswork is to develop fuzzy controller system for automatic heating of coffee roasting process. The output of thisresearch is a prototype which is represent of heater coffee roaster controller using fuzzy logic.

(Author)Keywords: coffe roaster, fuzzy, microcontrollerAdnan Rafi Al-Tahtawi (Politechnic Sukabumi)Modeling and Simulation of an Electric Vehicle Based on Direct Current Motor on MATLAB/SimulinkINKOM, 10(2) 2016: 75-80

Electric vehicle is one of vehicles which not have pollution due to environmental-friendly characteristic.Recently, the researches about electric vehicles, especially electric car, are still being conducted as well ashardware realization or software simulation. In this paper, modeling and simulation of an electric vehicle basedDirect Current Motors (DCMs) using MATLAB/Simulink will be presented. Interaction between vehicleswheels and the road can be simulated using two units of DCM with linked axis of rotation. DCM1 and DCM2are assumed respectively as electric motor drive and various road profiles. Input of DCM1 is speed profile,while the other is roads slope angle profile. Therefore, with using this model, the amount of power consumptionwhich is needed by the vehicle for each scenario designed can be observed easily.

(Author)Keywords: Electric vehicle, power, direct current motor (DCM), MATLAB/Simulink

• vii

Volume 10, No 2, 2016

The descriptor given are free terms. This abstract sheet may be reproduced without permission or charge.Yudi Yuliyus Maulana, Goib Wiranto, Dayat Kurniawan (Research Center for Electronics andTelecommunications, Indonesian Institute of Sciences)Online Water Quality Monitoring in Shrimp Aquaculture based on WSN and IoTINKOM, 10(2) 2016: 81-86

The paper describes the design and development of online water quality monitoring system based onwireless sensor network (WSN) and Internet of Things (IOT). The system has been designed and developed tomonitor some parameters such as Dissolved Oxygen (DO), pH, conductivity and temperature on a shrimpaquaculture. The system consists of several sensor nodes with the main components of an Arduino Unoconnected to XBee and a master board. The main components of master board are Raspberry Pi 2 (RPi2)and XBee board. Data were sent from each node to RPi2 using WSN with a data packet that comes with anunique ID. The data was stored in the internal database of the RPi2 and displayed in graph. Timer updateserver was used to update the data from RPi2 to a server using WiFi network. Data on the server can be viewedusing website, but it also can be seen using Telegram application installed in the mobile devices. The RPi2program was developed using Python language and matplotlib components. The experimental results showthat the system has great prospects and can be used for shrimp aquaculture by providing information that isrelevant and timely. The collected data can be used for further research and analysis.

(Author)Keywords: Development Current Enterprise, General Hospital Bandung, inpatient servicesWiko Setyonegoro, Januar Arifin, Thomas Hardy (Research Center and Development BMKG)Information System on Jisview Earthquake Monitoring and Tsunami Potential Determination usingDuration RuptureINKOM, 10(2) 2016: 87-105

Information systems in the earthquake and tsunami monitoring is required to provide accurateinformation regarding the occurrence of the earthquake source mechanism parameters. Development is doneby dividing the segment level seismic activity for the local velocity model in Sumatra, Java, Bali, Sulawesiand Papua. The velocity model is useful for determining the accuracy of the parameter magnitude, coordinates,depth and time of occurrence of earthquakes. Some of the latest development goals, including the installationof upgrading Jisview result in earthquake recording station BMKG placed throughout Indonesia (UPT), thenclustering in the data processing waveform into several segments for the purpose of monitoring the efficiencyand accuracy of waveform data download. Do also compile on some supporting software such as: Azmtak,VB 6.0, SQLyog, M Visual C ++, Matlab, 7.8, MapWinGis, Active Control, Map Object 2.2, Data DynamicsActive Report, MySql connector odbc, media dissemination as installation design user friendly easy to operatestaff monitoring earthquakes. Furthermore, validated the accuracy of the monitoring system of earthquakeand tsunami accurate determination of potential through Tdur, Td and T50x at the Center for BMKG. Thedevelopment of an integrated, in strengthening the development of earthquake monitoring system. Output ofearthquake parameter information to be released in near real-time is coordinates, time, magnitude (Mw), depth,strike, dip and slip, while the output potential of tsunami information in the release is, Td, Tdur, T50x, Td *Tdur and Td * T50x.

(Author)Keywords: Electric vehicle, power, direct current motor (DCM), MATLAB/Simulink

viii •

Teknik Normalisasi Fitur Secara Adaptif untuk SistemPengenalan Ucapan Tahan Terhadap Gema

Adaptive Feature Normalization for Speech Recognition RobustAgainst Reverberation

Hilman Ferdinandus Pardede1

1 Pusat Penelitian Informatika, Lembaga Ilmu Pengetahuan Indonesia, Bandung, IndonesiaEmail: [email protected]

Abstract

Reverberation degrades the performance of speech recognition significantly. Normalizing the features is arguably themost popular method to reduce the effect of reverberation on speech recognition. In previous works, q-log spectral meannormalization (q-LSMN) has been shown effective to remove convolutional and additive distortions in speech recognition.This method is an extension of traditional mean normalization on q-log domain. This method is extended in order todeal with reverberation and an adaptive technique to determine a suitable q in q-LSMN is proposed. Recognition resultson digit recognition tasks for real recordings show the proposed method improves the robustness of speech recognitionagainst reverberation. It is better than traditional techniques such as cepstral or log spectral mean normalization.

Keywords: feature normalization, q-logarithm, reverberation, automatic speech recognition

Abstrak

Gema menurunkan performa sistem pengenalan ucapan (SPU) atau automatic speech recognition secara signifikan.Salah satu teknik yang paling populer untuk mengurangi efek gema adalah dengan menormalisasi fitur pada SPU.Pada penelitian sebelumnya, q-log spectral mean normalization (q-LSMN) telah diperkenalkan untuk mengurangi efekdistorsi aditif dan convolutif. Metode ini merupakan pengembangan teknik normalisasi konvensional pada domain q-log.Metode ini dikembangkan untuk mengurangi efek gema dan teknik adaptif untuk menentukan nilai q terbaik untuk q-LSMN diperkenalkan. Hasil percobaan pada pengenalan angka (digit recognition) menunjukkan bahwa teknik tersebutmeningkatkan ketahanan SPU terhadap gema. Metode ini lebih baik dibandingkan metode normalisasi konvensionalseperti cepstral mean normalization dan log spectral mean normalization.

Kata kunci: normalisasi fitur, q-logarithma, gema, sistem pengenalan ucapan

1. Pendahuluan

Aplikasi sistem pengenalan ucapan (SPU) atauautomatic speech recognition pada kondisi bebasgenggam (hands-free) yang memungkinkanmanusia berinteraksi dengan SPU tanpamenggunakan tangan, semakin diminati belakanganini [1]. Contohnya pada applikasi rumah otomatis,mobil pintar, atau robot. Pada aplikasi ini,SPU harus dapat beroperasi dimana terdapatgema/gaung, derau, ataupun adanya pembicara lain.Gema merupakan salah satu tantangan tersulit danmemiliki efek yang sangat besar dalam menurunkanperforma SPU [2], [3], [4].

Received: 8 August 2016; Revised: 21 December 2016; Accepted: 23September 2016; Published online: 22 February 2017 c© 2016INKOM 2016/16-NO475 DOI:http://dx.doi.org/10.14203/j.inkom.475

Untuk meningkatkan performa SPU terhadapgema, berbagai metode telah diperkenalkan dalambeberapa dekade terakhir. Metode-metode inisecara umum dapat diklasifikasikan menjadi dua:metode berbasis front-end (FE) dan berbasisback-end (BE). Metode berbasis FE bertujuanuntuk menghilangkan gema dari sinyal ucapansehingga fitur yang dihasilkan mendekati fitur yangdihasilnya sinyal ucapan bersih (tanpa gema).Metode ini biasanya beroperasi di domainsinyal, spektrum, ataupun fitur. Di domainsinyal, contohnya adalah penggunaan multi-microphone [5], [6], [7] dan menemukan inversedari room impulse response (RIR) [8], [9], [10].Di domain spektrum, teknik speech enhancementseperti spectral subtraction, dan Ephraim Malah(EM) [11] biasanya digunakan. Sementara itu,Vector Taylor series (VTS) [12] and missing datatheory [13] adalah beberapa contoh penggunaan

INKOM, Vol. 10, No. 2, November 2016: 47-56

metode berbasis FE di domain fitur. Metode-metode berbasis FE biasanya memerlukan estimasiRIR, reverberation time (T60) dan/atau estimasispektrum gema. Parameter-parameter ini umumnyabersifat non-stationary dan dapat berubah-ubahdipengaruhi berbagai faktor, misalnya pergerakanpembicara, variabilitas ruangan, dan karakteristiksinyal ucapan yang bersifat quasi-stationary. Olehkarena itu, sulit mendapatkan estimasi yang baikdari paramenter-parameter tersebut. Sementara itu,metode berbasis BE berusaha mengadaptasi modelakustik yang biasanya diperoleh untuk keadaantanpa gema, kepada kondisi dengan gema. Metode-metode berbasis BE antara lain dengan melatihkembali (retraining) model akustik dengan sinyalucapan bergema [14], menggunakan maximum aposteriori (MAP) [15], dan maximum likelihoodlinear regression (MLLR) [16] sebagai teknikadaptasi. Akan tetapi, mengadaptasi model kedalamkondisi bergema mengakibatkan model akustikyang diperoleh menjadi sangat dipengaruhi olehruangan, sehingga performa SPU dapat menurunketika SPU digunakan diruangan lain denganparameter ruangan yang berbeda.

Mel-Frequency Cepstral Coeffient (MFCC) [17]dapat dikatakan sebagai fitur yang paling seringdigunakan untuk SPU. MFCC diperoleh denganmelakukan analisis waktu pendek (sekitar 20-50 ms), dengan asumsi sinyal ucapan bersifatstationary selama periode tersebut. MFCCmenggunakan skala Mel dan fungsi logaritma(log) untuk mengadopsi sistem pendengaranmanusia dan mengompresi fitur. Fungsi logdigunakan karena fungsi ini bersifat homomorphic,dapat mentransformasi operasi perkalian menjadipenjumlahan. MFCC menunjukkan performa yangbaik untuk kondisi bersih, namun performanyasangat tidak tahan ketika terdapat gema, ataupunderau. Salah satu alasannya adalah penggunaan logyang sangat sensitif pada daerah dimana spektrummemiliki energi yang rendah. Daerah ini merupakantempat dimana informasi dari sinyal ucapan berada.Selain itu, pola sinyal ucapan bersifat kompleks.Unit dari ucapan berupa kata atau fonem memilikidurasi yang berbeda-beda yang dapat lebih pendekatau lebih panjang dari periode analisis pada MFCC(yakni sekitar 20ms). Oleh karena itu, pada domainspektral, komponen spektral dari sinyal ucapanmemiliki korelasi satu sama lain. Ketika sinyalucapan dipengaruhi gema, energi spektra menjaditersebar lebih panjang, mengakibatkan korelasinyamenjadi lebih tinggi.

Keterbatasan MFCC menyebabkan banyakpenelitian telah memperkenalkan fitur-fitur lainsebagai pengganti MFCC, misalnya minimumvariance distortion-less response (MVDR) [18],[19]. Fitur ini diperoleh dengan menggunakan FIRfilter pada sinyal ucapan sehingga sinyal keluaran

memiliki unit gain. Dengan demikian, pengaruhbias dan variance dapat dikurangi. Frequency-domain linear prediction (FDLP) adalah contohfitur lain [20]. Pada fitur ini linear predictiondigunakan pada sinyal pita sempit (narrow-band)untuk memperoleh temporal-envelope sinyalucapan tersebut. Sehingga dengan menormalisasisinyal tersebut, efek gema dapat dikurangi. Sinyalpita sempit digunakan agar periode analisis lebihpanjang dibandingkan T60 sehingga gema dapatdiasumsikan sebagai gain terhadap sinyal bersih.

Pendekatan lain untuk fitur baru adalahpenggunaan fungsi akar menggantikan log padaekstraksi fitur [21]. Perceptually linear prediction(PLP) [22] adalah salah satu contoh penggunaanfungsi akar. Power normalized cepstral coefficient(PNCC) [23] adalah contoh lain fitur yangmenggunakan fungsi akar. PNCC telah terbuktilebih tahan terhadap distorsi dari lingkungandibandingkan MFCC, PLP, dan MVDR, serta teknikspeech enhancement seperti VTS [24], [25]. PNCCmemiliki proses ekstraksi fitur yang menyerupaiMFCC, kecuali dalam tiga hal. Pertama, PNCCmenggunakan Gammatone filterbank sedangkanMFCC menggunakan mel filterbank. Kedua,PNCC memiliki teknik penghilang noise: mediumduration power bias subtraction and power peaknormalization dan ketiga, PNCC menggunakanfungsi akar menggantikan log pada MFCC.

Efektifitas fitur berbasis fungsi akar dibandingkanlog dikarenakan fungsi akar lebih tidak sensitifterhadap perubahan pada spektra berenergi rendahseperti log [26]. Akan tetapi performa fitur berbasisfungsi akar sangat tergantung dengan tekniknormalisasi yang digunakan [27], [28]. Tekniknormalisasi konvensional [27], bukanlah teknikterbaik untuk fitur ini karena sifat properti fungsiakar tidak sama dengan log.

Fungsi q-logarithma (q-log) adalah merupakancontoh fungsi akar dan generalisasi fungsi naturallogaritma (log). Fungsi ini banyak digunakandalam statistika Tsallis [29], [30]. Dalam statistikaTsallis, fungsi ini digunakan untuk menjelaskanfenomena non-extensive pada sistem kompleks.Teknik normalisasi berbasi fungsi q-log based telahdiperkenalkan [31], [32]. Teknik ini dinamakanq-log spectral mean normalization (q-LSMN),menggunakan sifat/properti fungsi q-log danterbukti efektif mengurangi efek derau additifdan convolutif. Pada studi ini, hanya satu nilai qyang digunakan yang ditentukan secara empiris.Beberapa studi mengindikasikan, penggunaan akarlebih dari satu lebih baik dibandingkan penggunaannilai akar tunggal [33], [34].

Pada makalah ini, metode q-LSMNdikembangkan untuk mengatasi masalah gema padaSPU dan teknik adaptif untuk menentukan nilai qdiperkenalkan. Teknik adaptif ini memungkinkan

48 • INKOM, Vol. 10, No. 2, November 2016: 47-56

dilakukan berbagai kompresi pada bagian berbedasinyal ucapan. Hasil evaluasi menunjukkan teknikini lebih baik dibandingkan penggunaan nilai qtunggal dan berbagai teknik normalisasi lainnya.

2. Formulasi Masalah: Efek Gema TerhadapSinyal Ucapan

Gema, yang ditandai dengan room impulseresponse (RIR), biasanya dimodelkan memilikirelasi konvolusi dengan sinyal ucapan padadomain waktu. Hubungan antara sinyal bersihx(t), terdistorsi oleh gema dengan RIR h(t) dansinyal terdistorsi y(t) dapat diformulasikan sebagaiberikut:

y(t) = h(t) ∗ x(t). (1)

RIR ditentukan oleh parameter reverberation time(T60). T60 adalah waktu yang dibutuhkan olehsinyal ucapan untuk berkurang sebesar 60 desibeldibawah level normalnya. Walaupun sinyal ucapandan gema adalah konvolutif di domain waktu,hubungan keduanya tidak menjadi multiplikatifdi domain frekuensi ketika T60 lebih besardibandingkan periode analisisnya yang biasanyasebsar 2050 ms. Untuk memudahkan analisis,RIR dapat dibagi menjadi 2, gema awal (earlyreverberation) dan gema akhir (late reverberation)berdasarkan kapan sinyal tersebut mencapaimicrophone. Secara matematis dapat dituliskansebagai berikut:

h(t) =

{he(t) for 0 ≤ t < td;hl(t) for t ≥ td,

(2)

dimana he dan hl merepresentasikan gema awal dangema akhir, td adalah nilai yang digunakan untukmembedakan gema awal dan gema akhir. Persamaan1 dapat ditulis menjadi:

y(t) =

td∑

τ=0

he(τ)s(t−τ)+

T∑

τ=td

hl(τ)s(t−τ). (3)

Dengan menggunakan Short-time FourierTransform (STFT) terhadap Persamaan 3, dandengan mengasumsikan td lebih kecil dari panjangjendela analisis, Persamaan 3 dapat dituliskandalam domain frekuensi sebagai berikut:

|Y (m, k)| = |X(m, k)||He(k)|+ λ(m, k), (4)

dimana |Y (m, k)| dan |X(m, k)| adalah spektramagnitude dari y(t) dan x(t) pada frame ke-m danindex frekuensi k. |He(k)| adalah spectra magnitideuntuk he(t) dan notasi λ(m, k) merepresentasikanspektra gema akhir yang dapat dijabarkan sebagaiberikut:

λ(m, k) =

L∑

t=td

|X(m− t, k)||Hl(m, k)|, (5)

dimana |Hl(m, k)| adalah spektra magnitudedari hl(t). Berdasarkan persamaan 4, gema dapatmemiliki relasi multiplikatif dan additif terhadapsinyal ucapan ketika RIR memiliki T60 yangpanjang. Gema awal bersifat stationary danmemiliki pengaruh kecil terhadap performa SPUsedangkan gema akhir bersifat non-stationarydan memiliki pengaruh yang signifikan terhadappenurunan performa SPU. Untuk memudahkansolusi untuk persamaan 4, λ(m, k) dan |X(m, k)|diasumsikan tidak tercorelasi.

3. Normalisasi Fitur pada Sinyal UcapanTerdistorsi Gema

3.1. Metode Normalisasi Fitur Konvensional

Metode normalisasi konvensional dilakukan denganmengurangkan fitur dengan nilai rata-rata fiturtersebut. Metode normalisasi tradisional sepertiContoh teknik normalisasi konvensional adalahCepstral mean normalsation (CMN) [35], [36] danlog spectral mean normalisation (LSMN) [37].Kedua metode ini bekerja erdasarkan prinsip yangsama namun dilakukan di domain yang berbedayaitu cepstral dan log. Metode ini efektif untukmenghilangkan efek gema awal, yaitu hanya ketikaT60 adalah relatif singkat [38], [39], [40]. Namun,metode ini tidak efektif menghilangkan gema akhirseperti dijelaskan sebagai berikut. Sinyal ucapandan gema adalah multiplikatif di domain spektralsehingga keduanya menjadi aditif di domain log.Dinotasikan:

α(m, k) = 1 +λ(m, k)

|X(m, k)||He(k)| . (6)

Maka persamaan 4 menjadi:

|Y (m, k)| = |X(m, k)||He(k)|α(m, k). (7)

Dengan mengambil log dari persamaan 7, maka 7dapat dituliskan menjadi:

y(m, k) = x(m, k) + he(k) + α(m, k), (8)

dimana y, x, he , dan α adalah log spektrum dariY , X , He dan α. Dengan menormalisasi persamaan8, diperoleh:

y(m, k) = x(m, k) + α(m, k) (9)

dimana x = x − x dan α = α − α, adalah hasilnormalisasi mean dari x and α. Karena gema awalbersifat stationary, melakukan normalisasi dapatmenghilangkannya. Akan tetapi, gema akhir tidakdapat dihilangkan.

3.2. Q-Logaritma

Fungsi q-log dari variable x didefinisikan sebagaiberikut:

logq(x) =x1−q − 1

1− q . (10)

Teknik Normalisasi Fitur Secara Adaptif untuk Sistem Pengenalan Ucapan Tahan Terhadap Gema: Hilman Pardede • 49

-5

-2.5

0

2.5

5

0 1 2 3 4 5

Logq(x

)

x

q = 0q = 0.5

q =1q = 1.5

q =2

Figure 1. Fungsi q-logarithma terhadap variable xuntuk berbagai nilai q.

Fungsi ini asimtotik mendekati logaritma naturalketika q mendekati 1 seperti terlihat pada Gambar1. Inverse dari fungsi ini disebut fungsi q-eksponensial, didefinisikan sebagai berikut:

expq(x) = (1 + (1− q)x)1

1−q . (11)

Fungsi q-log telah diterapkan di beberapa bidang,misalnya dalam pengolahan sinyal ucapan [41],dalam statistika Tsallis [29], [30]. Fungsi q-log menyediakan platform non-aditif saat q 6=1 [42], [43]. Dalam Tsallis statistik, platformini digunakan untuk menjelaskan fenomena non-ekstensif yang banyak ditemukan dalam berbagaisistem yang kompleks dalam fisika, biologi,ekonomi, keuangan, dll. Fenomena non-ekstensif inidisebabkan adanya korelasi yang belum diketahui.Parameter q digunakan dan ditentukan secaraempiris agar perilaku sistem dapat dijelaskan.

3.3. Efek Normalisasi Konvensional TerhadapFitur Berbasis Q-Log

Untuk fitur berbasis q-log, Hasi normalisasifitur dengan teknik normalisasi konvensionalmenghasilkan fitur sebagai berikut, dengan asumsisinyal ucapan dan gema akhir tidak berkorelasi(indeks frame dan frekuensi diabaikan):

yq =(1 + (1− q)heq

)(xq + αq + (1− q)xqαq) ,

(12)

dimana heq adalah spektrum q-log dari |He|,xq dan αq adalah fitur yang ternormalisasidari xq dan αq.Dari persamaan 12 jelas bahwamenerapkan metode normalisasi konvensional tidakmenghilangkan komponen gema awal dan akhir.Gema awal masih menjadi gain terhadap sinyalucapan. Oleh karena itu normalisasi gain biasanyaditerapkan pada fitur berbasis fungsi root sepertipada PNCC [23]. Pada PNCC, Dalam PNCC, powerpeak normalisation dan power bias subtractionditerapkan sebelum dinormalisasi. Ini menyebabkanefek derau dan derau konvolutif seperti gema awalberkurang.

3.4. Q-Log Mean Normalization (Q-LSMN)

Q-LSMN pada yq diformulasikan sebagai berikut:

yq =yq − yq

1 + (1− q)yq, (13)

dimana yq adalah hasil normalisasi setelah q-LSMNdan yq adalah nilai rata-rata (mean) dari yq. Perludiingat, akibat perbedaan sifat dan properti dari q-log dan log maka rata-rata aritmatikal yq di domainspektrum bukanlah rata-rata geometris ketika q 6= 1,melainkan diformulasikan sebagai berikut:

yq =1

M

M∑

m=1

yq(m, k)

=1

Mlogq (|X(1, k)| ×q ...×q |X(M,k)|) ,

(14)

dimana M adalah jumlah total dari frame dan ×qmerupakan generalisasi dari operator perkalian [43],[42] yang didefinisikan sebagai berikut:

a×q b =(a1−q + b1−q − 1

) 11−q (15)

Dari persamaan 14 dapat dilihat bahwa nilai rata-rata y berada diantara nilai rata-rata aritmatis danrata-rata geometris ketika q adalah antara 0 dan 1.

Ketika q-LSMN diterapkan kepada sinyal ucapanterdistorsi gema, dengan mengambil q-log padapersamaan 7 dan menerapkan q-LSMN sepertipada persamaan 13, dan mengasumsikan sinyalucapan dan gema tidak terkorelasi, maka, spektrumternomalisasi hasil q-LSMN adalah sebagai berikut:

yq =xq

1 + (1− q)αq

+αq + (1− q)xqαq

(1 + (1− q)αq) (1 + (1− q)xq).

(16)

Dapat dilihat bahwa hasil normalisasi menggunakanq-LSMN tidak memerlukan normalisasi gain sepertipada PNCC. Berdasarkan persamaan (16), makaketika q = 1, q-LSMN identik dengan LSMN danαq yang merupakan representasi dari gema akhirtidak dapat dihilangkan. Ini juga mengonfirmasiketerbatasan fungsi log untuk gema akhir. Ketikaq < 1 digunakan, maka nilai rata-rata aritmatisdari yq lebih tinggi dari nilai rata-rata q = 1dan efek q-LSMN dapat dianalisa sebagai berikut.Jika sinyal ucapan memiliki energi yang lebihbesar dibandingkan gema, atau secara matematisdapat dituliskan xq � αq, maka energi sinyalbersih dapat menekan gema tersebut (lihat bagiankedua persamaan (16). Akibatnya efek gema akhirakan berkurang. Ini bisa terjadi dibagian sinyalucapan yang berisi suara (seperti bunyi vokal ataukonsonan bersuara seperti nasal). Sebaliknya ketika


Figure 2. Diagram blok proses ekstraksi dari metode yang diusulkan.

energi sinyal ucapan lebih kecil, xq � αq, makabagian pertama dari persamaan (16) akan menjadisangat kecil dan sinyal menjadi didominasi oleh αq

yang akan teramplifikasi. Ini umumnya terjadi padasinyal yang berisi konsonan tidak bersuara sepertibunyi letup (b, p, t, d) dan desis (f, s). Hal inimengindikasikan bahwa nilai q harus dipilih secarahati-hati, dan nilai q harus dibedakan untuk sinyalyang memiliki energi rendah dan energi tinggi.

Dimotivasi hal ini, maka diusulkan penggunaandua nilai q yang berbeda untuk daerah berenergitinggi dan rendah. Untuk mengidentifikasi haltersebut dapat dilakukan dengan mengenali apakahsinyal berisi informasi konsonan atau vokal. Akantetapi hal tersebut, sehingga untuk mengidentifikasisuatu sinyal berdasarkan apakah sinyal tersebutmerupakan puncak dari spektrum atau lembah.Tentu hal ini dengan asumsi bahwa efek gematidak mengubah informasi lembah atau puncaksuatu sinyal. Lebih detail mengenai metode ini akandijelaskan dibagian selanjutnya.

4. Metode

Pada bagian sebelumnya, telah ditunjukkanbahwa penerapan q yang berbeda untuk bagianyang berbeda dari sinyal ucapan berpotensimeningkatkan ketahanan fitur terhadap gemadibandingkan penggunaan nilai q tunggal. Hal inimenjadi motivasi untuk mengembangkan teknikadaptif untuk menentukan nilai q. Fokus makalahini adalah penggunaan dua nilai q yang berbeda

yang akan diterapkan pada lembah spektrum danpuncak spektrum. Penentuan apakan suatu spektrummasuk kategori lembah atau puncak adalah denganmenentukan apakah power dari spektrum darispektrum tersebut lebih rendah atau lebih tinggidari nilai rata-rata geometris dari setiap ucapan.Ketika power spektrum lebih rendah dari nilairata-rata tersebut, spektrum tersebut dikategorikanlembah sedangkan ketika power spektrum lebihbesar dikategorikan sebagai puncak. Nilai q = 0, 8diberikan untuk daerah lembah, sedangkan q = 0untuk puncak spektrum. Nilai ini berdasarkanpengamatan empiris bahwa pasangan nilai inimencapai kinerja terbaik. Metode ini dinamakanteknik adaptif q-log spectral mean normalization(dinotasikan sebagai q-LSMN A).

Gambar 2 menunjukkan ekstraksi fitur dariq-LSMN A. Pertama, sinyal ucapan dilewatkanmelalui filter pre-emphasis, 1 − 0, 97z−1 dankemudian Hamming window diterapkan padaoutput dari filter pre-emphasis. Untuk setiap frame,panjang jendela (frame-length) adalah 25 ms danpergeseran setiap frame (frame-shift) adalah 10 ms.Untuk setiap frame,, Fast Fourier Transform (FFT)diterapkan dan kemudian diambil spektrum powerdengan mengkuadratkan magnitude dari keluaranFFT. Setelah itu, untuk setiap frame ditentukanapakah nilai spektrum power lebih tinggi atau lebihrendah dari rata-rata geometrisnya. Nilai rata-rataini ditentukan secara offline untuk setiap kalimat.Kemudian nilai q yang sesuai dipilih. Kemudian,


10

15

20

25

30

0 0.2 0.4 0.5 0.6 0.8 1.0

WE

R (

%)

q

Figure 3. Kinerja q-LSMN ketika hanya satu nilai qyang diterapkan. Hasil yang ditampilkan adalah nilairata-rata WER untuk semua mikrofon. Kinerja terbaikdiperoleh ketika q = 0, 5

spektrum ditransformasi ke domain q-log dan q-LSMN diterapkan sesuai dengan nilai q masing-masing spektrum. Setelah normalisasi, fitur yangkemudian diubah kembali ke domain spektral.Dalam makalah ini, MFCC tetap digunakan sebagaifitur akhir, untuk menunjukkan bahwa efek padakinerja ASR dikarenakan oleh metode normalisasi,bukan karena efek transformasi ke domain q-logsemata.

5. Percobaan5.1. Pengaturan Percobaan

Untuk evaluasi metode ini, Corpus Aurora-5digunakan [44]. Untuk pelatihan (training),digunakan standar set dari Aurora-5 untuk kondisitraining bersih, berisi 8623 kalimat. Sedangkanuntuk testing (Pengujian) digunakan set MeetingRecorder Digit (MRD). MRD adalah bagian dariAurora-5 basis data yang terdiri dari rekaman nyata2400 ucapan-ucapan dari 24 pembicara dalamruang rapat, dengan total total 7800 kalimat. Setiapset direkam menggunakan 4 mikrofon yang berbeda(berlabel 6, 7, E, F) ditempatkan di tengah-tengahmeja. Data ini mengandung sedikit derau.

5.2. Sistem Pengenalan Ucapan (SPU)

SPU dibangun berbasis Hidden Markov Model(HMM) menggunakan Hidden Markov Modeltoolkit (HTK) [45]. Sebagai fitur, digunakan 39dimensi fitur yang meliputi 13 statis MFCC,(dengan zeroth cepstra) ditambah turunan pertamadan keduanya (fitur delta dan delta-delta). KinerjaASR adalah diukur sebagai tingkat kesalahan kata(word error rate atau disingkat WER). Sebagaiperbandingan, berbagai metode dan fitur laindigunakan, antara lain ceptral mean normalisation(CMN), mean variance normalisation (MVN), danPNCC. Untuk PNCC, kami menerapkan dimensiyang sama (13 dimensi fitur statis + pertama danturunan kedua).

Table 1. Perbandingan kinerja q-LSMN A dan q-LSMNpada q = 0, 5 (q-LSMN memiliki kinerja terbaik pada q =0, 5 ketika hanya satu nilai q yang dipakai)

MethodMIC

AVE6 7 E F

Q-LSMN A 10,97 16,66 17,49 12,78 14,48

Q-LSMN 14,55 21,61 21,81 15,86 18,46

Table 2. Perbandingan kinerja q-LSMN A dan beberapametode-metode lain

MethodMIC

AVE6 7 E F

MFCC 34,15 51,70 36,87 31,49 38,55

CMN 25,33 35,85 33,36 25,48 30,01

MVN 25,74 33,71 31,93 26,50 29,47

PNCC 10,37 14,31 16,00 13,15 13,46

Q-LSMN A 10,97 16,66 17,9 12,78 14,48

Untuk HMM, digunakan 8623 kalimat denganrasio sampling (sampling rate) 8 kHz untuk melatihHMM untuk setiap digit. Setiap digit dimodelkanmenggunakan HMM kiri-ke-kanan yang terdiridari 16 state dan masing-masing state dimodelkandengan Gaussian Mixture model (GMM) dengan4 mixtures. Untuk model jeda, “sil”, dimodelkandengan tiga states HMM dan masing-masingstate dimodelkan dengan GMM yang memiliki 4mixtures.

5.3. Hasil Percobaan dan Analisa

Gambar 3 menunjukkan kinerja q-LSMN ketikahanya 1 nilai q yang diterapkan. Peningkatanperforma dapat dicapai ketika q 6= 1, ketikaq-log sama dengan log. Hasil ini mengkonfirmasipenggunaan fungsi power lebih baik dibandingkandengan log. Dapat dilihat performa terbaikdiperoleh ketika q = 0, 5. Berdasarkan Tabel 5.3.,q-LSMN A mendapatkan pengurangan rasio WER(error rate reduction atau disingkat ERR) sebesar51,80% dibandingkan q-LSMN ketika q = 1 dan21,54% EER untuk q = 0, 5, dimana q-LSMNmendapatkan performa terbaik.

Dibandingkan metode lainnya seperti CMN,LSMN, dan MVN, q-LSMN A menghasilkanperforma lebih baik dibandingkan ketiganya (Table2). Hasil ini menunjukkan q-LSMN A lebih efektifuntuk mengurangi efek gema dibandingkan CMNdan LSMN. CMN dan LSMN (sama dengan q-LSMN ketika q = 1) memiliki performa yangsedikit berbeda. Hal ini tidak begitu mengherankankarena operasional CMN dan LSMN memilikidomain operasi yang berbeda: CMN beroperasi


600 650 700 750 800 850 900

C0

frames

(a) MFCC

cleanreverberated

600 650 700 750 800 850 900

C0

frames

(b) MFCC+CMN

600 650 700 750 800 850 900

C0

frames

(c) PNCC

600 650 700 750 800 850 900C

0

frames

(d) MFCC+q-LSMN_A

Figure 4. Perbadingan C0 (zeroth cepstral) dari sinyal ucapan bersih dan sinyal ucapan terkontaminasi gema.

pada mel filterbank sementara LSMN pada lineardomain spektral, dan karenanya panjang dari kanalfrekuensi yang berbeda. Dibandingkan denganCMN, q-LSMN A mencapai 51,75% ERR.

Secara rata-rata, q-LSMN A sedikit lebih burukdari PNCC. Hasil ini dapat dijelaskan menggunakanGambar 4. Pada gambar ini, ketidakcocokan(mismatch) antara sinyal ucapan bersih danbergema di zeroth cepstra (C0) untuk beberapafitur: MFCC, MFCC + CMN, MFCC + q-LSMN A,dan PNCC, dibandingkan. Terlihat jelas bahwaq-LSMN A memiliki mismatch (ketidakcocokan)lebih kecil dari CMN. Dibandingkan denganPNCC, dapat dilihat bahwa q-LSMN A memilikimismatch yang lebih kecil untuk puncak spektrum,tetapi mismatch untuk lembah spektral lebih besar.Namun demikian, hasil ini juga mengonfirmasibahwa keuntungan menerapkan q = 0 padapuncak spektrum. Pada lembah spektral, q-LSMN A terlihat tidak seefektif pada puncakspektrum. Ini mungkin dikarenakan energi dariframe sebelumnya dapat mempengaruhi seluruhucapan karena ekor gema yang sangat panjang.Ini terjadi pada kondisi apabila SPU digunakanpada ruangan dengan ukuran yang besar. Olehkarena itu, energi dari lembah dapat bertambahdan mereka salah diidentifikasi sebagai puncakdan nilai q yang dipilih menjadi tidak tepat. Olehkarena itu, spektrum menjadi overcompressed danmismatch akan menjadi lebih besar. Untuk PNCC,perlu diingat bahwa selain normalisasi, PNCC jugamencakup beberapa proses tambahan dalam prosesekstraksi fitur diantaranya teknik menghilangkan

derau seperti power peak normalization dan powerbias subtraction. Proses-proses tambahan ini inijuga bisa berkontribusi atas performa PNCC.

6. Kesimpulan

Dalam makalah ini, metode q-LSMN untukmengurangi efek gema pada SPU telahdiperkenalkan. Metode ini merupakanpengembangan dari q-LSMN yang merupakanteknik normalisasi dalam kerangka fungsi q-log.Tenik adaptif untuk menentukan nilai q merupakankontribusi terutama pada makalah ini. Penggunaandua nilai q: q = 0 ketika spektrum power lebihtinggi dari nilai rata-rata geometrinya sementaraq = 0, 8 untuk lembah spektrum dimana nilaispektrum power lebih rendah dibandingkan nilairata-rata spektrum. Hasil eksperimen menunjukkanmetode ini lebih ampuh untuk menghilangkanefek gema pada SPU dibandingkan ketika hanyasatu nilai q yang digunakan. Metode ini juga lebihbaik daripada teknik normalisasi tradisional sepertiCMN dan MVN dan memiliki performa sebandingkinerja dengan PNCC.

Metode ini belum dapat diaplikasikan secarareal-time karena membutuhkan informasi tentangspektrum di masa depan. Oleh karena itu teknikimpelemtasi real-time menjadi rencana masa depanstudi ini. Pengamatan empiris terhadap hasilpercobaan mengindikasikan adanya pengaruh luasruangan (hal ini berhubungan dengan parameterT60) dengan nilai q yang optimum. Hal ini menarikuntuk diselidiki untuk penelitian di masa yang akandatang.


References

[1] M. Wolfel and J. McDonough, Distant speechrecognition. Wiley, 2009.

[2] T. Yoshioka, A. Sehr, M. Delcroix, K. Kinoshita,R. Maas, T. Nakatani, and W. Kellermann, “Makingmachines understand us in reverberant rooms:Robustness against reverberation for automaticspeech recognition,” Signal Processing Magazine,IEEE, vol. 29, no. 6, pp. 114–126, Nov 2012.

[3] A. Sehr, E. A. Habets, R. Maas, and W. Kellermann,“Towards a better understanding of the effect ofreverberation on speech recognition performance,”in Internat. Workshop on Acoustic Echo and NoiseControl, 2010.

[4] E. Vincent, J. Barker, S. Watanabe, J. Le Roux,F. Nesta, and M. Matassoni, “The second ’CHiME’speech separation and recognition challenge: Anoverview of challenge systems and outcomes,” inIEEE Workshop on Automatic Speech Recognitionand Understanding, Dec 2013, pp. 162–167.

[5] J. Dennis and T. H. Dat, “Single and multi-channel approaches for distant speech recognitionunder noisy reverberant conditions: I2r’s systemdescription for the aspire challenge,” in 2015 IEEEWorkshop on Automatic Speech Recognition andUnderstanding (ASRU), Dec 2015, pp. 518–524.

[6] M. Wolf and C. Nadeu, “Channel selectionmeasures for multi-microphone speechrecognition,” Speech Communication, vol. 57,pp. 170 – 180, 2014.

[7] M. Omologo, P. Svaizer, and M. Matassoni,“Environmental conditions and acoustictransduction in hands-free speech recognition,”Speech Communication, vol. 25, no.13, pp. 75 – 95, 1998. [Online].Available: http://www.sciencedirect.com/science/article/pii/S0167639398000302

[8] M. Miyoshi and Y. Kaneda, “Inverse filtering ofroom acoustics,” IEEE Trans. Acoust. Speech SignalProcess., vol. 36, no. 2, pp. 145–152, Feb 1988.

[9] I. Kodrasi, T. Gerkmann, and S. Doclo, “Frequency-domain single-channel inverse filtering for speechdereverberation: Theory and practice,” in 2014IEEE International Conference on Acoustics,Speech and Signal Processing (ICASSP), May 2014,pp. 5177–5181.

[10] S. Mosayyebpour, M. Esmaeili, and T. A. Gulliver,“Single-microphone early and late reverberationsuppression in noisy speech,” IEEE Transactions onAudio, Speech, and Language Processing, vol. 21,no. 2, pp. 322–335, Feb 2013.

[11] F. Xiong, B. T. Meyer, and S. Goetze, “A studyon joint beamforming and spectral enhancementfor robust speech recognition in reverberantenvironments,” in 2015 IEEE InternationalConference on Acoustics, Speech and SignalProcessing (ICASSP), April 2015, pp. 5043–5047.

[12] P. J. Moreno, B. Raj, and R. M. Stern, “A vectorTaylor series approach for environment-independentspeech recognition,” in Proc. IEEE Internat. Conf.on Acoustics, Speech and Signal Processing, vol. 2,Atlanta, USA, May 1996, pp. 733 –736.

[13] K. J. Palomaki, G. J. Brown, and J. Barker,“Missing data speech recognition in reverberantconditions,” in Acoustics, Speech, and SignalProcessing (ICASSP), 2002 IEEE InternationalConference on, vol. 1, May 2002, pp. I–65–I–68.

[14] D. Giuliani, M. Matassoni, M. Omologo, andP. Svaizer, “Training of hmm with filtered speechmaterial for hands-free recognition,” in IEEEInternat. Conf. on Acoustics, Speech and SignalProcessing, vol. 1, Mar 1999, pp. 449–452 vol.1.

[15] J. Gauvain and C.-H. Lee, “Maximum a posterioriestimation for multivariate gaussian mixtureobservations of markov chains,” IEEE Trans.Speech and Audio Processing, vol. 2, no. 2, pp.291–298, Apr 1994.

[16] C. Leggetter and P. Woodland, “Maximumlikelihood linear regression for speaker adaptationof continuous density hidden markov models,”Computer Speech and Language, vol. 9, no. 2, pp.171 – 185, 1995.

[17] S. Davis and P. Mermelstein, “Comparison ofparametric representations for monosyllabic wordrecognition in continuously spoken sentences,”IEEE Trans. Acoust. Speech Signal Process.,vol. 28, no. 4, pp. 357 – 366, aug 1980.

[18] S. Dharanipragada and B. Rao, “Mvdr based featureextraction for robust speech recognition,” in IEEEInternat. Conf. on Acoustics, Speech and SignalProcessing, vol. 1, 2001, pp. 309–312 vol.1.

[19] M. Wolfel and J. McDonough, “Minimum variancedistortionless response spectral estimation,” IEEESignal Processing Magazine, vol. 22, no. 5, pp. 117–126, Sept 2005.

[20] S. Thomas, S. Ganapathy, and H. Hermansky,“Recognition of reverberant speech using frequencydomain linear prediction,” IEEE Signal ProcessingLetters, vol. 15, pp. 681–684, 2008.

[21] J. Lim, “Spectral root homomorphic deconvolutionsystem,” IEEE Trans. Acoust. Speech SignalProcess., vol. 27, no. 3, pp. 223 – 233, jun 1979.

[22] H. Hermansky, “Perceptual linear predictive (PLP)analysis of speech,” J. Acoust. Soc. Am., vol. 87,no. 4, pp. 1738–1752, 1990.

[23] C. Kim and R. M. Stern, “Power-normalizedcepstral coefficients (pncc) for robust speechrecognition,” in 2012 IEEE InternationalConference on Acoustics, Speech and SignalProcessing (ICASSP), March 2012, pp. 4101–4104.

[24] F. Kelly and N. Harte, “Auditory features revisitedfor robust speech recognition,” in Internat. Conf.Pattern Recognition, Aug 2010, pp. 4456–4459.

[25] G. Sarosi, M. Mozsary, P. Mihajlik, and T. Fegyo,“Comparison of feature extraction methods forspeech recognition in noise-free and in traffic noise


environment,” in Conf. Speech Technology andHuman-Computer Dialogue, May 2011, pp. 1–8.

[26] P. Alexandre and P. Lockwood, “Root cepstralanalysis: A unified view. application to speechprocessing in car noise environments,” SpeechCommun., vol. 12, no. 3, pp. 277 – 288, 1993.

[27] S. Baek and H. Kang, “Mean normalization ofpower function based cepstral coefficients forrobust speech recognition in noisy environment,” inIEEE Internat. Conf. Acoustics, Speech and SignalProcessing, May 2014, pp. 1735–1739.

[28] M. J. Hunt, “Spectral signal processing for ASR,” inIEEE Workshop Automatic Speech Recognition andUnderstanding, Colorado, USA, 1999, pp. 17–25.

[29] C. Tsallis, “Possible generalization of boltzmann-gibbs statistics,” J. Stat. Phys., vol. 52, pp. 479–487,1988.

[30] ——, “Nonadditive entropy: The concept and itsuse,” Eur. Phys. J. A., vol. 40, pp. 257–266, 2009,10.1140/epja/i2009-10799-0. [Online]. Available:http://dx.doi.org/10.1140/epja/i2009-10799-0

[31] H. Pardede, K. Iwano, and K. Shinoda, “Featurenormalization based on non-extensive statistics forspeech recognition,” Speech Commun., vol. 55,no. 5, pp. 587 – 599, 2013.

[32] H. F. Pardede and K. Shinoda, “Generalized-log spectral mean normalization for speechrecognition,” in Interspeech, 2011, pp. 1645–1648.

[33] P. Lockwood and P. Alexandre, “Root adaptivehomomorphic deconvolution schemes for speechrecognition in noise,” in IEEE Internat. Conf.Acoustics, Speech and Signal Processing, vol. i, Apr1994, pp. I/441–I/444 vol.1.

[34] C. S. Yip, S. H. Leung, and K. K. Chu, “Optimalroot cepstral analysis for speech recognition,” inIEEE Internat. Symp. Circuits and Systems, vol. 2,2002, pp. II–173–II–176 vol.2.

[35] B. S. Atal, “Effectiveness of linear predictioncharacteristics of the speech wave for automaticspeaker identification and verification,” J. Acoust.Soc. Amer., vol. 55, no. 6, pp. 1304–1312, 1974.

[36] S. Furui, “Cepstral analysis technique for automaticspeaker verification,” IEEE Trans. Acoust. SpeechSignal Process., vol. 29, no. 2, pp. 254 – 272, Apr.1981.

[37] C. Avendano and H. Hermansky, “On the effectsof short-term spectrum smoothing in channelnormalization,” IEEE Trans. Speech Audio Process.,vol. 5, no. 4, pp. 372–374, 1997.

[38] N. R. Shabtai, B. Rafaely, and Y. Zigel, “The effectof reverberation on the performance of cepstralmean subtraction in speaker verification,” AppliedAcoustics, vol. 72, no. 2-3, pp. 124 – 126, 2011.

[39] D. Gelbart and N. Morgan, “Double the trouble:handling noise and reverberation in far-fieldautomatic speech recognition.” in Internat. Conf.Spoken Language Processing, 2002, pp. 2185–2188.

[40] R. Petrick, K. Lohde, M. Wolff, and R. Hoffmann,“The harming part of room acoustics in automaticspeech recognition.” in INTERSPEECH. ISCA,2007, pp. 1094–1097.

[41] T. Kobayashi and S. Imai, “Spectral analysis usinggeneralized cepstrum,” IEEE Trans. Acoust. SpeechSignal Process., vol. 32, no. 5, pp. 1087 – 1089, Oct.1984.

[42] L. Nivanen, A. L. Mehaute, and Q. Wang,“Generalized algebra within a nonextensivestatistics,” Rep. Math. Phys., vol. 52, no. 3, pp. 437– 444, 2003.

[43] E. P. Borges, “A possible deformed algebra andcalculus inspired in nonextensive thermostatistics,”Physica A,, vol. 340, pp. 95–101, Sep. 2004.

[44] H.-G. Hirsch and H. Finster, “The simulationof realistic acoustic input scenarios for speechrecognition systems.” in INTERSPEECH. Citeseer,2005, pp. 2697–2700.

[45] S. J. Young, G. Evermann, M. J. F. Gales, T. Hain,D. Kershaw, G. Moore, J. Odell, D. Ollason,D. Povey, V. Valtchev, and P. C. Woodland, The HTKBook, version 3.4. Cambridge, UK: CambridgeUniversity Engineering Department, 2006.


INKOM, Vol.10, No.2, November 2016: 57-66

Algoritma Criss-cross dan Branch and Bound dalam

Pemrograman Linier Integer, Studi Kasus: Produksi Pangan

Criss-cross Algorithm and Branch and Bound in Integer Linear

Programming, Case Study: Food Production

Antonius Bima Murti Wijaya Universitas Kristen Immanuel, Jl. Solo Km. 11,1 Kalasan, Kab. Sleman

Email: [email protected]

_______________________________________________________________________________________

Abstract

The Special Region of Yogyakarta on their reports of food situation analysis in 2014 by Body of Food Security & Counseling told that there are 16 villages in category of vulnerable risk of food and 26 villages in category of wary risk of food and nutrition.In food industry, then efficiency of food ingridients using has an important role. This efficiency could also lead to profit for food industry.

Integer linear programming become the mathematical view that suggested by this research to formulated the problem. Criss-cross algorithm will be combined with branch and bound algorithm to solve the integer liniear programming problem. The focus of this research is to applied both of the algrorithm in the case of food production and finding the right bound condition.

This research succeeded to applied and combined the criss-cross and branch and bound algorithm. This research also defined 4 bounds condition that could be consider to diminish the branch while finding the optimal integer value.

Keywords: criss-cross algorithm, branch and bound, integer linear programming

Abstrak

Dalam laporan analisis situasi pangan dan gizi tahun 2014 oleh badan ketahanan pangan dan penyuluhan Daerah

Istimewa Yogyakarta terdapat 16 desa yang resiko pangan dan gisi tergolong waspada dan 26 desa yang resiko pangan

dan gisi tergolong rawan, efisiensi penggunaan bahan baku pangan menjadi sangat penting peranannya. Efisiensi bahan

baku bisa digunakan juga untuk mencapai keuntungan dalam industri makanan.

Dalam penelitian ini masalah pangan tersebut dipandang dan diformulasikan dengan menggunakan pemrograman

linier yang diselesaikan dengan model integer. Algoritma criss-cross yang dikombinasikan dengan algoritma branch and

bound diusulkan dalam penyelesaian masalah integer linear programming. Penelitian ini berfokus pada penerapan

kedua algoritma tersebut dalam studi kasus produksi makanan dan pencarian kondisi batasan yang sesuai.

Penelitian ini berhasil menerapkan penggabungan algoritma criss-cross dan branch and bound. Penelitian ini

mendefinisikan 4 batasan yang dapat diperhatikan untuk mengurangi pencabangan dalam pencarian nilai integer.

Kata kunci: algoritma criss-cross, branch and bound, integer linear programming

_______________________________________________________________________________________

1. Pendahuluan

1Pangan merupakan masalah yang penting bagi

negara Indonesia, sebagai contoh di Daerah

Istimewa Yogyakarta dalam laporan analisis

situasi pangan dan gizi tahun 2014 oleh badan

ketahanan pangan dan penyuluhan Daerah

Istimewa Yogyakarta masih terdapat 16 desa yang

resiko pangan dan gisi tergolong waspada dan 26

desa yang resiko pangan dan gisi tergolong

rawan[1]. Oleh karena itu perlu adanya keamanan

pangan untuk menjaga ketersediaan pangan yang

ada. Jika dilihat dari sisi konsumen penjualan

Received: 19 July 2016; Revised: 25 October 2016; Accepted: 6

December 2016; Published Online: 22 February 2017 ©2016 INKOM

2016/16-NO473 DOI:http://dx.doi.org/10.14203/j.inkom.473

pangan, hal ini bisa dilakukan dengan efisiensi

penggunaan bahan baku pangan, guna melakukan

pemanfaatan secara optimal sehingga tidak

membuang bahan baku. Isu ketahanan pangan

nasional yang ada perlu ditanggapi dengan

teknologi-teknologi yang mampu mendukung

ketahanan pangan. Optimalisasi pemanfaatan

bahan baku untuk produksi bahan pangan

sangatlah perlu untuk mengurangi bahan baku

yang tidak terpakai dalam pengolahan bahan

pangan. Dalam Industri pangan kegiatan

meningkatkan keuntungan yang dimiliki bagi para

produsen makanan salah satunya bisa dilakukan

dengan melakukan efesiensi bahan baku. Sehingga

efisiensi bahan baku disini bisa digunakan baik

58 INKOM, Vol.10, No.2, November 2016: 57-66

untuk mencapai keuntungan dan atau penggunaan

bahan baku secara maksimal.

Proses optimalisasi penggunaan bahan baku

pangan ini termasuk dalam P-Problem, sehingga

secara matematis dapat diselesaikan dengan

menggunakan pemrograman linier. Penyelesaian

dengan metode matematika yang ditawarkan oleh

program linier bersifat exact sehingga dalam kasus

P-Problem ini beban komputasinya lebih ringan

dibanding metode pencarian heuristik.

Algoritma criss-cross disini dipilih karena

memiliki kelebihan memiliki perhitungan yang

lebih ringan karena tidak melibatkan variabel

tambahan lain seperti artificial, slack, dan surplus

seperti yang dilakukan simplex.

Kasus pada penilitian ini akan menggunakan

nilai integer pada hasilnya karena nilai produksi

jumlah makanan tidak mungkin menggunakan nilai

desimal. Sehingga Algoritma criss-cross akan

dikombinasikan dengan algoritma branch and

bound dengan model penelusuran Breadth First

Search. Algoritma branch and bound dipilih

karena merupakan salah satu metode yang

dimungkinkan bisa dikombinasikan pada metode

criss-cross. Metode ini hanya merubah pada

tatanan matriks inisialisasi awal saja dengan

menambah fungsi batasan. Semenjak penggunaan

nilai integer pada pemrograman linier ini kasus

berubah menjadi NP-Problem. Sehingga dalam

penelitian ini terjadi kombinasi permasalahan

algoritma antara P-Problem dan NP-Problem.

Pada penerapan algoritma criss-cross dengan

branch and bound ini fokus pemecahan solusi

tidak hanya fokus pada pertimbangan bagaimana

suatu bahan baku bisa habis terpakai seluruhnya

tetapi juga bagaimana bisa mendapatkan

keuntungan semaksimal mungkin.

2. Penerapan program linier

Pemrograman linier sering digunakan untuk

optimasi pemanfaatan bahan pokok seperti yang

dilakukan oleh Sundary [2] yang mengembangkan

pemrograman linier untuk optimasi biaya pakan

ikan. Dalam hal ini Sundary menggunakan metode

simplex untuk pemecahan masalahnya. Okubo [3]

juga melakukan penelitian perihal pemanfaatan

pemrograman linier untuk kasus optimasi menu

makanan untuk mencapai nutrisi yang optimal bagi

orang dewasa di Jepang. Hal serupa juga pernah

dilakukan oleh Wijaya [4] yang mengembangkan

pemrograman linier untuk optimalisasi biaya

produksi dari bahan baku, biaya listrik, dan banyak

roti yang diproduksi. Dalam penelitiannya

permasalahan pemrograman linier dipecahkan

dengan Metode Criss-cross. Metode criss-cross

yang dikembangkan masih belum menggunakan

integer linear programming melainkan

pembulatan, sehingga akurasi nilai bulat

optimalnya masih kurang.

3. Algoritma Criss-cross dalam program linier

Pemrograman linier berfokus pada masalah

optimalisasi baik itu memaksimalkan ataupun

meminimalkan sebuah fungsi linier tujuan dengan

memenuhi batasan maupun pelanggaran dari suatu

persamaan dan atau ketidaksamaan linier [11].

Fungsi tujuan pemrograman linier secara

matematis didefinisikan:

dan akan

dinotasikan dengan simbol Z. Fungsi tujuan

tersebut bisa diminimalkan maupun

dimaksimalkan tergantung dari kasus yang terjadi.

Nilai c1,c2,c3,...,cn merupakan variabel-variabel

keputusan yang akan ditentukan. Misal untuk

kasus minimasi suatu permasalah pemrograman

linier dapat didefinisikan dengan:

Minimalkan

Dengan Kendala

⁞ ⁞ ⁞ ⁞

Di bawah fungsi tujuan, terdapat fungsi ketidak-

samaan atau disebut juga dengan fungsi kendala.

Nilai didefinisikan sebagai nilai koefisien

teknis sebagai pembentuk aturan nilai batasan yang

disimbolkan dengan . Penelitian mengenai linear

programming telah berkembang untuk metode

penyelesaiannya juga implementasinya. Dhal [12]

menggunakan pemodelan permasalahan

pemrograman linier untuk memodelkan

permasalahan kehidupan sektor pertanian di negara

berkembang. Fungsi tujuan yang ingin dicapai

adalah untuk memaksimalkan margin kotor dari

sektor pertanian dengan batasan batasan seperti

jumlah ladang, jumlah sumber daya, margin kotor

setiap ladang. Pengembangan pemrograman liniear

dalam hal metode juga masih dikembangkan

sampai saat ini seperti menggunakan algoritma

simplex atau criss-cross. Dibandingkan dengan

simplex, criss-cross memiliki keunggulan ordo

matriks yang dibuat tidak sebesar simplex karena

Algoritma Criss-cross dan Branch and Bound dalam Pemrograman Linier Integer.... : A. Bima Murti Wijaya 59

simplex membutuhkan tambahan untuk variabel

artificial-nya.

Criss-cross pertama kali dikembangkan oleh

zionts yang dipublikasikan pada tahun 1969.

Bonates [13] membandingkan algoritma-algoritma

yang termasuk dalam keluarga criss-cross untuk

mengetahui performanya. Sebagai hasilnya

algoritma jenis non-combinatiorial criss-croos

memiliki performa optimasi yang lebih baik dari

pada jenis combinatorial criss-cross. Beberapa

penelitian dalam pengembangan algoritma criss-

cross telah dilakukan seperti mengembangkan tipe-

tipe algoritma untuk kasus masalah

komplemenaritas linier dengan matriks yang

cukup, sehingga bisa memulai iterasi dengan

berbagai macam matriks tanpa ada tambahan

informasi terkait dengan kelengkapan matriks [14]

Berikut merupakan contoh bentuk matriks dari

algoritma criss-cross jika dimisalkan model

permasalahan pemrograman linier adalah:

Contoh 1

Maksimumkan

Dengan batasan

Berdasarkan fungsi program linier tersebut,

matriks criss-cross yang dibentuk menjadi:

R1 R2 RES

Z -5 -4 0

B1 1 1 5

B2 10 6 45

Algoritma criss-cross akan memanfaatkan

kondisi primal dan dual yang dimiliki oleh

permasalahan pemrograman linier. Iterasi primal

terjadi jika pada kolom Z ada yang bernilai negatif,

sementara iterasi dual akan dilakukan jika

koefisien fungsi tujuan bernilai negatif. Jika semua

hal tersebut terjadi maka bisa memilih salah satu

iterasi yang berlawanan dari iterasi sebelumnya.

Jika hal ini terjadi di iterasi pertama maka akan

dipilih iterasi dual terlebih dahulu. Nilai Z akan

dikali dengan -1 ketika permasalahannya adalah

maksimasi, bentuk akan diubah menjadi

dengan mengalikan setiap elemennya dengan -1.

Tahapan iterasi dalam criss-cross akan terus

dilakukan hingga nilai Z dan koefisien ruas kanan

sudah bernilai positif semua. Berikut merupakan

tahapan iterasi dari algoritma criss-cross:

Tahapan Iterasi Criss-cross

Tahap 1

Mencari baris atau kolom pivot

Tahap 1.1 Iterasi Primal

Mencari Z yang memiliki nilai negatif terkecil

sebagai kolom pivot.

Tahap 1.2 Iterasi Dual

Mencari Koefisien ruas kanan yang nilainya

negatif terkecil sebagai baris pivot.

Tahap 2


Mencari nilai dari koefisien ruas kanan yang

bernilai positif dibagi dengan nilai mutlak

koefisien kolom pivot yang hasil baginya bernilai

terkecil sebagai baris pivot, dengan syarat

koefisien kolom pivot tidak boleh lebih kecil sama

dengan 0.


Mencari nilai dari fungsi tujuan (Z) yang bernilai

positif dibagi dengan nilai mutlak koefisien baris

pivot, dan hasil baginya yang bernilai paling kecil

sebagai kolom pivot, dengan syarat koefisien baris

pivot tidak boleh lebih kecil sama dengan 0. Jika

nilai tidak diperoleh dan bisa dilakukan iterasi

primal/dual lainnya maka ulangi tahap 1 dengan

iterasi yang berbeda. Tetapi jika nilai tidak

diperoleh dan tidak ada iterasi lain yang bisa

dilakukan maka permasalahan dianggap tidak

memiliki solusi.

Tahap 3

Menukar posisi nama kolom dan baris pivot.

Tahap 4

Menentukan nilai baru elemen pivot, nilai basis,

baris pivot, kolom pivot.

[1]

[2]

Dimana,

NBB=Nilai Basis Baru

BL=Basis Lama

KPL=Kolom Pivot Lama

NBPB=Nilai Baris Pivot Baru

Tahap 5.

Mencari Nilai Baris Pivot Baru dan Kolom Pivot

Baru


[3]

[4]


[5]

[6]


Dimana,

BPB=Baris Pivot Baru

BPL=Baris Pivot Lama

NPB=Nilai Pivot Baru

KPB=Kolom Pivot Baru

KPL= Kolom Pivot Lama

NPB= Nilai Pivot Baru

Jika pada contoh 1 diberlakukan algoritma criss-

cross maka berikut matriks hasil iterasi pada

proses yang terjadi setelah matriks inisialisasi

terbentuk:

Iterasi 1

X B3 R2 RES

Z 0,50 -1,00 22,50

B2 -0,10 0,40 0,50

R1 0,10 0,60 4,50

Iterasi 2

X B3 B2 RES

Z 0,25 2,50 23,75

R2 -0,25 2,50 1,25

R1 0,25 -1,50 3,75

Hasil

R1=3,75

R2=1,25

Z =5(3,75)*4(1,25)=23,75

4. Metode branch and bound dengan breadth

first search

Dalam mengembangkan kasus linear

programming, ada kasus yang menginginkan hasil

berupa bilangan bulat. Misalnya dalam kasus

bahan makanan jadi ini, jumlah makan jadi yang

diproduksi berupa bilangan bulat seperti 3 buah

lumpia, sementara itu tidak mungkin memproduksi

lumpia sebanyak 3.4 buah. Oleh karena itu perlu

dilakukan penghitungan ulang untuk nilai

desimalnya sehingga bisa mendapatkan nilai

optimum dalam bentuk bilangan bulat. Salah satu

metode dalam pemrograman linier untuk bilangan

bulat adalah metode branch and bound.

Saat ini, metode branch and bound digunakan

dalam beberapa kasus seperti untuk memecahkan

masalah penjadwalan produksi [5], optimalisasi

bidang potong dua dimensi [6], dan dalam kasus

penentuan dalam menempatkan fasilitas-fasilitas

pada pesawat untuk memenuhi permintaan dari

penumpang dengan harga transportasi minimal [7].

Selain itu penelitian mengenai metode branch and

bound saat ini sering dipakai dalam kasus integer

programming khusus seperti pemrograman linier

maupun tidak linier untuk bilangan bulat

campuran [8-10].

4.1. Branching

Branching atau pencabangan berarti memisahkan

permasalahan menjadi 2 permasalahan baru,

dimana permasalahan baru itu diperoleh dari

kondisi branching. Dalam kasus pemrograman

linier bilangan bulat ini menggunakan strategi

most infeasible branching. Strategi ini memiliki

tujuan untuk memilih pembulatan ke atas atau ke

bawah sebual nilai decimal [15]. Kondisi dari

branching ini diperoleh dengan beberapa tahapan:

Tahap 1

Menentukan nilai variabel pada fungsi tujuan hasil

dari algoritma criss-cross yang bernilai tidak bulat.

Jika memiliki lebih dari satu solusi tidak bulat

maka pilih salah satu yang nilai desimalnya paling

mendekati desimal 0.5.

Tahap 2

Mencabangkan pembulatan menjadi cabang

pembulatan ke atas dan cabang pembulatan ke

bawah. Jika nilai hasil yang dipilih dimisalkan

sebagai Xj dan nilai bulat dari Xj adalah , maka

kedua permasalahan dapat di notasikan sebagai

berikut:

Permasalahan 1

Permasalahan 2

Masukkan setiap cabang permasalahan ini ke

dalam matriks inisialisasi criss-cross di awal

sebagai tambahan fungsi pembatas, sehingga

masing-masing cabang mendapatkan tambahan

satu fungsi pembatas.

Tahap 3

Mengerjakan matriks criss-cross yang dibentuk

pada kedua cabang untuk mendapatkan nilai

variabel pada fungsi tujuan baru.

Ketiga Tahapan branching ini akan terus

dilakukan hingga suatu keadaan berhenti

ditentukan. Proses pemberhentian branching ini

disebut dengan proses bounding.

4.2. Bounding

Proses bounding atau pembatas dalam kasus

pemrograman linier ini dapat dikatakan sebagai

proses pembatasan pencabangan dan perhitungan

jika sudah diketahui proses tersebut akan

berlangsung sia-sia. Proses branching yang ada

akan membentuk mekanisme tree atau pohon. Jika

dilihat dalam tiap perhitungan ketika matriks awal

dikenakan branching dan dikenakan fungsi

pembatas tambahan, maka semakin dalam tree


yang dihasilkan semakin rendah pula tingkat

optimalisasinya atau nilainya semakin menjauhi

nilai optimum desimal. Karena adanya fakta yang

demikian maka pembatasan proses branching

dapat dilakukan apabila

1. Tidak ada solusi dari proses criss-cross

pada branch atau cabang tersebut. (batasan

01)

2. Sudah ditemukan solusi integer pada

branch yang ada pada level yang memiliki

nilai optimum lebih tinggi. Pada umumnya

terletak dilevel atas atau pada level yang

hampir sama dengan branch yang akan

diproses.(batasan 02)

Proses Branch and Bound ini akan menjadi

tidak berguna jika menggunakan proses

penulusuran tree dengan cara depth first search,

dimana cabang paling dalam akan diproses terlebih

dahulu. Solusi yang baik dalam pemecahan

masalah ini adalah menggunakan model

penelusuran breadth first search dimana semua

branch pada suatu level akan diproses terlebih

dahulu sebelum turun ke level di bawahnya. Untuk

menyelesaikan proses breadth first search

dibutuhkan bantuan semacam array penampung

dalam skema antrian (first in first out). Ilustrasi

antrian dan tree yang dibentuk dapat dilihat pada

gambar 1.

1

2

21

2 3

31

2 3

4

3 4

1

2 3

4 5

4 51

2 3

4 5 6...

Gambar 1. Model queue BFS

5. Implementasi branch and bound

Dalam proses implementasi algoritma integer

linear programming akan menggunakan contoh 1

yang digunakan untuk menjelaskan algoritma

criss-cross. Dari algoritma criss-cross di atas telah

diperoleh data hasil R1=3,75 dan R2=1,25.

Tahap 1 memilih hasil yang tidak bulat:

Kedua hasil bernilai tidak bulat, maka akan

dicari nilai mana yang akan dikerjakan dengan

mencari nilai desimal dari hasil tersebut yang

paling mendekati 0.5.

Nilai dan memiliki nilai dengan jarak

yang sama ke angka 0.5 maka bisa dipilih secara

sembarang. Dalam perhitungan kali ini yang

dipilih adalah nilai yang bernilai 1,25.

Tahap 2 Mencabangkan pembulatan menjadi

pembulatan ke atas dan ke bawah

Cabang pembulatan ke bawah: 1

Cabang pembulatan ke atas :

Tahap 3 Memasukkan masing-masing cabang ini

menjadi fungsi pembatas matriks inisialisasi.

Matriks Inisialisasi untuk cabang 1

Initial criss-cross matrix:

X R1 R2 RES

Z -5,00 -4,00 0,00

B2 1,00 1,00 5,00

B3 10,00 6,00 45,00

VA21 0,00 1,00 1,00

Matriks Inisialisasi untuk cabang

X R1 R2 RES

Z -5,00 -4,00 0,00

B2 1,00 1,00 5,00

B3 10,00 6,00 45,00

VA22 0,00 -1,00 -2,00

Tahap 5 Melakukan perhitungan untuk

mendapatkan nilai baru.

Algoritma criss-cross digunakan untuk

mendapatkan nilai baru pada masing masing

matriks inisialisasi. Nilai yang di dapatkan akan

dimasukkan dalam queue untuk proses

penelusuran menggunakan BFS.

Matriks Hasil

Matriks Inisialisasi untuk cabang 1

Hasil 1

X B3 VA21 RES

Z 0,50 1,00 23,50

B2 -0,10 -0,40 0,10

R1 0,10 -0,60 3,90

R2 0,00 1,00 1,00

Matriks Inisialisasi untuk cabang

Hasil 2

X B3 B2 RES

Z 1,00 5,00 23,00

R2 -1,00 0,00 2,00

R1 1,00 1,00 3,00

VA22 -4,00 -10,00 3,00


Pada cabang sudah didapatkan nilai

R1 dan R2 dalam bilangan bulat yaitu R1=3 dan

R2=2, sehingga hasil perhitungan ini akan

disimpan terlebih dahulu.

Tahap 6 Melakukan pencabangan lagi untuk

cabang yang memiliki nilai variabel pada fungsi

pembatas yang bernilai tidak bulat. Hasil dari

keseluruhan proses tersebut akan membentuk

skema tree.

Berdasarkan gambar 2 dapat dilihat ada 9

proses criss-cross yang dibentuk berdasarkan

batasan yang telah dibuat. Namun jika dilihat

proses no 8 dan 9 memiliki nilai hasil yang

melanggar ambang batas. Hal ini terjadi, karena

batasan yang terjadi pada tahap itu sudah terlalu

banyak, bertentangan, dan tidak ada solusi untuk

kasus itu.

Gambar 2. Pohon pencabangan implementasi

Gambar 3. Model queue list

Pada proses no.8 matriks awal yang terbentuk

adalah sebagai berikut:

X R1 R2 RES

Z -5,00 -4,00 0,00

B2 1,00 1,00 5,00

B3 10,00 6,00 45,00

VA21 0,00 1,00 1,00

VA14 -1,00 0,00 -4,00

VA26 0,00 -1,00 -1,00

VA28 0,00 -1,00 -1,00

Dimana nilai VA tersebut adalah nilai batasan

yang dibentuk dari percabangan. Dari data tersebut

dapat dilihat bahwa va26 dan va28 memiliki nilai

batasan yang sama, hal ini seharusnya tidak perlu

terjadi. Algoritma criss-cross ini mulai tidak

memberikan hasil yang konsisten pada langkah no.

6 dimana batasan cabang yakni memiliki

nilai R2’ hasil adalah 0,67. Untuk mengatasi

ketidak-stabilan data ini maka akan diberikan

batasan tambahan yaitu:

Proses pencabangan berhenti jika nilai batasan

pencabangan sudah pernah dilakukan(batasan 03).

Melihat dari bentuk studi kasus tentang integer

linear programming pada kasus produksi makanan

ini, nilai fungsi tujuan adalah nilai diskret dan

bukan kontinyu, begitu pula yang terjadi dengan

nilai-nilai hasilnya disamping itu semakin dalam

tree yang dibentuk juga menghasilkan nilai fungsi

tujuan yang semakin kecil. Berdasarkan

pernyataan tersebut dapat dibuat sebuah batasan

baru yakni:

Proses pencabangan dan pencarian nilai bulat

berhenti jika sudah ditemukan nilai hasil fungsi

tujuan bernilai bulat positif yang nilainya adalah

pembulatan ke bawah nilai hasil fungsi tujuan

node induknya. (batasan 04)

Dalam kasus pencabangan yang memuat nilai x

≤ 0 maka akan diberi perlakuan berbeda yakni nilai

kolom x akan dihilangkan bukan memasukkan

batasan dari matriks. Jika masuk dalam matriks

batasan, nilai tersebut tidak akan terpilih sebagai

kolom atau baris pivot karena nilai 0 tidak valid

dalam seleksi.

Contoh: R1≤ 0

X R2 RES

Z -4,00 0,00

B2 1,00 5,00

B3 6,00 45,00

Matriks ini berlaku juga untuk percabangan

dibawahnya. Dari tambahan batasan 03 dan

batasan 04 maka proses yang terjadi pada kasus di

atas menjadi lebih singkat, yang ditunjukkan pada

Gambar 4.

1

23,75

(3,75;1,25)

2

23

(3;2)

R2 ≤ 1R2 2 ≥

3

23,5

(3,9;1)

4

23,34

(4;0,83)

R1 3 ≤ R1 4 ≥

5

19

(3;1)

6

23,17

(4,1;0,67)

R2 0 ≤ R2 1 ≥

7

22,5

(4,5;0)

8

20,48

(5,71;0,67)

R2 0 ≤ R2 1 ≥

9

22,67

(4,4;0,17)


Proses pencabangan yang terjadi dalam kasus

tersebut hanyalah satu kali, karena pada proses

awal sistem langsung menemukan nilai bulat yang

adalah pembulatan ke bawah dari nilai fungsi

tujuan induknya 23,75 yakni 23.

Gambar 4. Pohon pencabangan dengan 4 batasan

6. Hasil dan pembahasan

Dalam kasus produksi roti ini data yang diambil

dari kasus adalah sebagai berikut:

Terdapat tiga buah roti yang akan

dipertanyakan jumlah produksinya yakni pastel

tutup, roll batik, dan roti mandarin. Masing-masing

roti sudah tersimpan takaran dari bahan bakunya,

dimana dalam produksi ini memiliki batasan

adalah minimal satu buah roti masing-masing

harus diproduksi, sementara batasan bahan baku

yang harus dipenuhi adalah gula pasir tidak

melebihi 3000 gram, tepung tidak melebihi 20000

gram, telur 100 butir, margarin 10000 gram dan

penggunaan listrik yang tidak bisa melebihi angka

8000 rupiah, dengan asumsi harga listrik 500

rupiah per Kwh dan semua roti memiliki

keuntungan yang sama. Tujuan utama kasus ini

adalah berapa roti yang harus diproduksi untuk

masing-masing jenis roti sehingga mampu

memaksimalkan keuntungan. Dari kasus tersebut

bentuk matriks pemodelan pemrograman linier

yang terjadi setelah dilakukan penyamaan satuan

untuk bahan baku dan penggunaan daya listrik

adalah sebagai berikut :

X R3 R6 R10 RES

Z -3,00 -2,00 -1,00 0,00

B1 30,00 100,00 0,00 20.000,00

B2 0,00 6,00 2,00 100,00

B3 5,00 150,00 60,00 10.000,00

B16 50,00 150,00 0,00 3.000,0

BR3 -1,00 0,00 0,00 -1,00

BR6 0,00 -1,00 0,00 -1,00

BR10 0,00 0,00 -1,00 -1,00

L 0,23 0,36 0,50 16,00

Dalam kasus produksi roti, hasil dari algoritma

criss-cross akan selalu menonjolkan variabel yang

dalam kasusnya adalah paling dominan, dalam

kasus di atas nilai roti 3 (R3) adalah variabel

dominan. Berikut dengan kasus yang sama hanya,

dengan nilai perbandingan keuntungan untuk

masing masing roti yang dibuat berbeda-beda.

Gambar 5. Pohon pencabangan kasus produksi roti

Nilai perbandingan keuntungan tiap roti dibuat

berbeda-beda agar bisa menghasilkan variasi hasil

dan jumlah proses pencabangannya, hal ini

dikarenakan nilai perbandingan keuntungan tiap

roti atau nilai variabel fungsi tujuan bisa dengan

mudah merubah variabel dominan:

Tabel 1. Hasil pencarian Algoritma Criss-cross non-int

No VR3 VR6 VR10 nR3 nR6 nR10 Hmax

1 1 3 5 1 1 30,81 158,7

2 1 5 3 18,04 11,88 15,04 122,6

3 1 4 5 1 8,13 25,68 161,92

4 1 5 4 1 8,31 25,56 144,8

5 1 1 4 1 1 30,81 125,26

6 1 4 1 21,94 12,69 12,69 85,37

7 3 2 1 57 1 4,72 177,72

8 3 1 2 57 1 4,72 181,44

9 2 3 2 56,98 1,01 4,74 126,46

10 2 2 4 57 1 4,72 134,87

Dimana:

VR3,VR6, dan VR10: nilai variabel fungsi tujuan,

nR3,nR6 dan nR10: jumlah masing masing

variabel fungsi tujuan,

Hmax: hasil maksimum dari fungsi tujuan

berdasarkan batasan-batasan yang ada.

Berdasarkan data tersebut diperoleh nilai

integer melalui proses branch and bound seperti

pada Tabel 2.

1

23,75

(3,75;1,25)

2

23

(3;2)

R2 2 ≥

1

62,72

(R6=1;R10=4,72;R3=57)

2

62

(R6=1;R10=4;R3=57)

R10 4 ≤


Tabel 2. Hasil pencarian nilai integer pada Tabel 1

Dimana:

nR3i, nR6i, dan nR10i: jumlah masing-masing

variabel fungsi tujuan yang bernilai bulat,

Hmax: hasil maksimum dari fungsi tujuan dengan

nilai bulat,

HPB: hasil maksimum dari fungsi tujuan dengan

nilai bulat menggunakan model pembulatan ke

bawah untuk nilai nR3,nR6,nR10,

nCab: banyak pencabangan yang dibentuk,

niCab: urutan pencabangan yang menemukan nilai

global optimal integer,

nCC: banyaknya iterasi criss-cross yang

dilakukan.

Berdasarkan data yang ditampilkan pada Tabel 2

selain baris no 7 dan 8, metode branch and bound

yang dikembangkan ini masih memiliki cabang

yang banyak. Banyaknya cabang ini terjadi karena

nilai iterasi cabang yang nilai solusinya masih di

atas nilai integer optimal tidak segera turun

nilainya karena masih mencari solusi pada area

tersebut, kondisi ini dapat ditemukan pada sampel

no 1,3,4,5,9, dan 10, sampel tersebut sudah

menemukan solusi jauh sebelum cabang terakhir

diperoleh namun cabang lainnya masih melakukan

iterasi berkenaan dengan nilai yang belum di

bawah integer maksimumnya. Hal lain yang

mempengaruhi banyaknya cabang yang dibentuk

dalam kasus ini adalah nilai integer pada awal

tidak segera kunjung ditemukan sehingga iterasi

cabang terus dilakukan, hal ini bisa ditemukan dari

sampel no 2 dan 6 pada Tabel 2 dimana nilai

cabang optimum baru ditemukan pada cabang yang

relatif akhir yakni 43 dan 31.

Efisiensi yang dilakukan pada algoritma branch

and bound ini ditunjukkan pada Tabel 3 yaitu

Tabel hasil perhitungan sisa bahan baku yang

didapat dari batasan bahan baku dikurangi dengan

penggunaan berdasarkan roti yang dihasilkan.

sebagai keterangan pada Tabel 3.

Sl adalah sisa penggunaan listrik, SG adalah

sisa gula, STp adalah sisa tepung, SM adalah sisa

margarin, STl adalah sisa telur. Tabel 3

menunjukan dengan menggunakan pemrograman

linier integer ini nilai salah satu bahan baku yang

digunakan bisa digunakan semaksimal mungkin.

Kombinasi sisa bahan baku yang ada pada Tabel

sudah tidak bisa digunakan untuk membuat sebuah

roti lagi, yang dikarenakan salah satu bahan baku

dari rotinya habis atau tidak mencukupi.

Tabel 3. Hasil perhitungan sisa bahan baku

No SL SG STp SM STl

1 140 28 19800 2700 28

2 27 100 18140 7310 2

3 7 1850 19240 7380 6

4 77 1700 19140 7290 2

5 87 2750 19840 8040 34

6 580 50 18100 7290 0

7 180 0 18190 9325 86

8 180 0 18190 9325 86

9 296 50 18220 9330 86

10 46 50 18220 9270 84

7. Kesimpulan

Berdasarakan hasil penelitian di atas, algoritma

criss-cross dengan branch and bound dapat

digunakan untuk mencari nilai integer dalam kasus

optimalisasi produksi makanan. Dalam mencari

nilai maksimum integer, algoritma branch and

bound bekerja dengan membuat pencabangan

pilihan untuk nilai desimal ke nilai integer atas

atau bawah dari salah nilai desimal yang muncul.

Nilai integer atas dan bawah yang dicabangkan

diwujudkan dengan memberi fungsi pembatas

tambahan pada matriks inisialisasinya.

Selain memberi pencabangan, kondisi batasan

pun harus ditentukan supaya tidak menulusuri

cabang-cabang yang sudah bisa diketahui akan

menghasilkan nilai yang sia-sia. Berdasarkan kasus

optimalisasi produksi makanan yang memiliki ciri

nilai-nilai pada fungsi tujuan yang bernilai integer

dan bentuk dari algoritma criss-cross maka dapat

ditentukan 4 kondisi batasan yaitu: tidak ada solusi

pada pencabangan yang dibuat, sudah ditemukan

nilai integer pada cabang lain yang memiliki nilai

fungsi tujuan lebih tinggi, proses pencabangan

berhenti jika nilai batasan pencabangan sudah

pernah dilakukan, sudah ditemukan nilai hasil

fungsi tujuan bernilai bulat positif yang nilainya

adalah pembulatan ke bawah nilai hasil fungsi

tujuan node induknya.

No nR3i nR6i nR10i Hmax HPB nCab niCab nCC

1 0 2 30 156 154 54 29 373

2 22 12 13 121 118 48 43 281

3 2 7 26 160 158 26 15 148

4 2 8 25 142 141 22 7 128

5 2 1 30 123 122 14 7 85

6 20 13 11 83 81 38 31 266

7 57 1 4 177 177 2 1 10

8 57 1 4 180 180 2 1 10

9 56 1 4 123 123 14 7 79

10 56 1 5 134 132 16 9 105


Hasil percobaan yang telah dilakukan dapat

terlihat banyaknya iterasi yang diperlukan untuk

menyelesaikan suatu kasus bervariasi tergantung

dimana letak solusi nilai integer optimal pada

pencabangnnya. Penggunaan bahan baku dalam

kasus ini bisa dikatakan maksimum jika

disandingkan pula dengan keuntungannya yang

dapat dilihat dari habis nya salah satu bahan baku

atau tidak tercukupinya bahan baku untuk

memproduksi roti lagi.

8. Saran

Nilai integer optimal dalam penelitian ini dapat

ditemukan tergantung juga dengan pemilihan nilai

desimal yang akan dilakukan pencabangan jika

terdapat lebih dari satu nilai desimal. Dalam kasus

penelitian ini metode yang dipakai adalah dengan

menghitung selisih nilai decimal dengan nilai 0.5

sehingga yang akan dikerjakan adalah dahulu

adalah nilai desimal terjauh dengan nilai

integernya, sementara banyaknya iterasi untuk

menemukan solusi integer optimal tidak

dipengaruhi oleh hal tersebut.

Daftar Pustaka

[1] Badan Ketahanan Pangan dan Penyuluhan

(BKPP), 2014, Analisis situasi pangan dan

gizi tahun 2014 SeDIY, Yogyakarta,

(http://bkpp.jogjaprov.go.id/download/index/

3/ kategori/Data+dan+Informasi), diakses 17

Januari 2016.

[2] Sundary, Beby, Penerapan Program Linier

Dalam Optimasi Biaya Pakan Ikan Dengan

Metode Simpleks (Studi Kasus Pt. Indojaya

Agrinusa Medan, Informasi dan Teknologi

Ilmiah (INTI), Volume : IV, No 3, (hlm. 156-

161), LPPM Budi Darma, Medan, 2014.

[3] Okubo, Hitomi, Satoshi Sasaki, Kentaro

Murakami3, Tetsuji Yokoyama1, Naoko

Hirota4, Akiko Notsu5, Mitsuru Fukui and

Chigusa Date, Designing optimal food intake

patterns to achieve nutritional goals for

Japanese adults through the use of linear

programming optimization models, Nutrition

Journal, DOI 10.118, BioMed Central, 2015,

pp. 1-10.

[4] Wijaya, Wenny, Implementasi Metode Criss

Cross Untuk Optimalisasi Pada Studi Kasus

Produksi Roti Berdasarkan Biaya Energi

Sebagai Biaya Produksi, Universitas Kristen

Duta Wacana, 2015.

[5] Wang, Shinjin, dan Ming Liu, A branch and

bound algorithm for single-machine

production scheduling integrated with

preventive maintenance planning,

International Journal of Production Research,

Vol. 51, No. 3, Taylor & Francis, 2011, pp.

491-506.

[6] Kang, M and K.Yoon, An improved best-first

branch-and-bound algorithm for

unconstrained two-dimensional cutting

problems, International Journal of Production

Research Vol. 49, No. 15, Taylor & Francis,

2011, pp. 4437-4455.

[7] Akyüz, M. Hakan, I. Kuban Altınel, Temel

Öncan, Location and allocation based branch

and bound algorithms for the capacitated

multi-facilityWeber problem , Ann Oper Res,

222, Springer, 2012, pp. 45-71.

[8] Oberdieck, Richard, Martina W.H,

Efstratios N. Pistikopoulos, A branch and

bound method for the solution of

multiparametric mixed integer linear

programming problems, J Glob Optim, Vol.

59, Springer, 2014, pp. 527-543.

[9] Melo, Wendel, Marcia Fampa , Fernanda

Raupp, Integrating nonlinear branch-and-

bound and outer approximation for convex

Mixed Integer Nonlinear Programming, J

Glob Optim Vol. 60, Springer

Science+Business Media, New York, 2012,

pp. 373-389.

[10] Wang, Lizhi, Branch-and-bound algorithms

for the partial inverse mixed integer linear

programming problem, J Glob Optim 55,

Springer Science+Business Media, New

York, 2013, pp. 491-506.

[11] Bazaraa, Mokhtar S, John J. Jarvis, Hanif D.

Sherali, Linear Programming and Network

Flows, 4th Edition, Willey, 2011.

[12] Dhal, Dipty R, P.K. Mishra, Linear

Programming in Subsistence Agriculture,

International Journal of Multidisciplinary

Approach and Studies Vol. 2 No. 4, 2015, pp.

143-150.

[13] Bonates, Tiberius, nelson maculan,

Performance evaluation of a family of criss-

cross algorithms for linear programming,

International Transcation of Operational

Research, Vol. 10, Blackwell, 2003, pp. 53-

64.

[14] Csizmadia, Zsolt And Tibor Illés, New criss-

cross type algorithms for linear

complementarity problems with sufficient

matrices, Optimization Methods and

Software, Vol. 21, No. 2, Taylor& Franchis,

2006, pp. 247-266.

[15] Achterberg, Tobias, Thorsten Koch,

Alexander Martin, Branching rules revisited,

Operations Research Letters, Vol. 33,

Elsevier, 2005, pp. 42-54.


Sistem Pengendali Pemanas Pemanggang Kopi

Menggunakan Logika Fuzzy

Heater Coffee Roaster Controller System Using

Fuzzy Logic

Eko Joni Pristianto, Hana Arisesa, dan Arief Nur Rahman Pusat Penelitian Elektronika danTelekomunikasi – LIPI

Komplek LIPI Gd 10 Lt 2, JL. Sangkuriang, Bandung 40135

Email:[email protected]

_______________________________________________________________________________________

Abstract

Coffee roaster is commonly used for transforming the chemical and physical properties of green coffee beans into

roasted coffee products. The working principle of coffee roaster is roasting raw coffee beans in a rotating drum using

high temperature for a limited period of time. One of roaster heater element is using electric system which is operated

manually using switch or semi-automatic timer by an operator. Good taste coffee is determined by excellent roasting

process by an expert operator. Therefore, in this article a heater element control concept is introduced using fuzzy logic

system. Fuzzy rules are build based on expertise or experience of expert operator. Logic fuzzy is implemented with

microcontroller using C. The purpose of this work is to develop fuzzy controller system for automatic heating of coffee

roasting process. The output of this research is a prototype which is represent of heater coffee roaster controller using

fuzzy logic.

Keywords: coffee roaster, fuzzy, microcontroller

Abstrak

Mesin pemanggang kopi merupakan sebuah mesin yang digunakan untuk menyangrai biji kopi agar matang,

sehingga siap untuk diproses lebih lanjut. Prinsip kerja mesin ini adalah produk dipanaskan dalam ruang sangrai yang

berputar dengan suhu tertentu, sehingga pemanasan dapat merata. Salah satu jenis pemanas pemanggang kopi adalah

elemen pemanas listrik, dimana sistem kerjanya masih banyak dikendalikan secara manual dengan saklar atau semi

otomatis menggunakan timer yang dioperasikan oleh seorang operator. Proses pemanggangan (roasting) kopi sangat

menentukan cita rasa kopi, sehingga dibutuhkan seorang operator yang ahli di bidang ini. Pada paper ini akan didesain

sebuah sistem pengendali pemanas pemanggang kopi dengan logika fuzzy. Aturan-aturan fuzzy yang akan dibangun,

didasarkan atas keahlian atau pengalaman seorang operator. Logika fuzzy yang dihasilkan akan diaplikasikan pada

sebuah mikrokontroler dengan menggunakan pemrograman bahasa C. Tujuan dari penelitian ini adalah membangun

sebuah sistem pengendali pada pemanas pemanggang dengan logika fuzzy, sehingga proses roasting biji kopi dapat

bekerja secara otomatis. Hasil penelitian ini adalah sebuah prototype yang merepresentasikan sistem kerja pengendali

pemanas pemanggang kopi menggunakan logika fuzzy.

Kata kunci: pemanggang kopi, fuzzy, mikrokontroler

_______________________________________________________________________________________

1. 1Pendahuluan

Pemanggang kopi adalah sebuah mesin yang

digunakan untuk menyangrai biji kopi agar matang

dan kering sehingga siap untuk diproses lebih

lanjut. Prinsip kerja mesin pemanggang ini adalah

produk dipanaskan dalam ruang sangrai yang

berputar dengan suhu tertentu, sehingga

pemanasan dapat merata. Salah satu jenis pemanas

mesin pemanggang adalah elemen pemanas listrik,

dimana sistem kerjanya masih dikendalikan secara

manual dengan saklar atau semi-otomatis

Received: 22 March 2016; Revised: 28 December 2016; Accepted: 6

December 2016; Published Online: 22 February 2017 ©2016 INKOM


menggunakan timer yang dioperasikan oleh

seorang operator [1].

Suhu pemanasan pada pemanggang kopi berkisar

antara 0-200oC. Terdapat 16 tahapan warna biji

kopi, dari biji kopi mentah sampai matang, yaitu

mulai dari warna hijau, kuning, agak coklat, coklat,

dan hitam. Gambar 1 menunjukkan standar

kematangan biji kopi [2].


Gambar 1. Standar kematangan biji kopi [2].

Paper ini membahas desain sebuah sistem

pengendali elemen pemanas pemanggang kopi

dengan logika fuzzy. Aturan-aturan fuzzy yang akan

dibangun, didasarkan atas keahlian atau

pengalaman seorang operator. Keuntungan

menggunakan metode ini akan didapatkan kualitas

biji kopi hasil sangrai lebih seragam, serta tidak

tergantung dari ada tidaknya operator ahli.

Pemilihan menggunakan motode fuzzy karena

algoritma ini lebih mendekati pola pikir manusia,

proses perhitungan sederhana dan respon yang

cepat untuk diterapkan pada sistem kendali.

Logika fuzzy yang dihasilkan akan diaplikasikan

pada sebuah modul mikrokontroler Arduino

ATmega 328 dengan menggunakan pemrograman

bahasa C. Toolbox Fuzzy Inference Syste (FIS)

editor pada Matlab digunakan untuk memverifikasi

perhitungan logika fuzzy pada mikrokontroler.

Batasan masalah pada perancangan ini adalah

rancangan hanya dilakukan untuk mengendalikan

elemen pemanas pada mesin pemanggang kopi

berdasarkan tingkat warna kopi dan temperatur

ruang sangrai. Proses logika fuzzy yang digunakan

adalah model Mamdani dengan defuzzikasi Mean

of Maximum (MOM). Prototype yang dibuat, hanya

akan mengilustrasikan prinsip kerja pengendali

elemen pemanas dari mesin pemanggang kopi.

Tujuan dari penelitian ini adalah mencari

alternatif solusi dalam pengedalian pemanas

pemanggang kopi, yaitu dengan cara

mengendalikan tingkat pemanasan elemen

pemanas listrik pada mesin pemanggang kopi

menggunakan logika fuzzy, sehingga proses

pemanggangan biji kopi dapat terkendali secara

otomatis dengan aturan-aturan fuzzy yang

didasarkan pada keahlian seorang operator.

2. Dasar Teori

2.1. Logika Fuzzy

Logika fuzzy diciptakan untuk mengurangi

kekakuan dari logika kendali biner yang berlogika

1 dan 0. Pada logika fuzzy berlaku logika antara 1

dan 0, logika fuzzy pada umumnya terdiri dari

fuzzification, membership function, rule dan

defuzzification [3].Gambar 2 menunjukkan

diagram blok dari fuzzy Logic Controller [3].

Gambar 2. Blok diagram Fuzzy Logic Controller[3].

Fungsi keanggotaan logika fuzzy digunakan untuk

menghitung derajat keanggotaan suatu

himpunan fuzzy. Fungsi keanggotaan yang biasa

digunakan dalam penalaran logika fuzzy,

diantaranya:

1. Kurva Segitiga

Kurva segitiga pada dasarnya merupakan

gabungan antara 2 garis (linear). Nilai-nilai

disekitar b memiliki derajat keanggotaan turun

cukup tajam (menjauhi 1). Sebagaimana Gambar 3.

Gambar 3. Kurva segitiga

Representasi fungsi keanggotaan untuk kurva

segitiga adalah sebagai berikut [3]:

( )

{

(1)

2. Kurva Bentuk Bahu

Gambar 4. Kurva Bentuk Bahu

Representasi fungsi keanggotaan untuk kurva bahu

adalah sebagai berikut [3]:

[ ]

{

(2)

Sistem Pengendali Pemanas Pemanggang Kopi Menggunakan ..... :E.J. Pristianto, H. Arisesa, A.N. Rahman 69

Untuk menentukan derajat keanggotaan dengan

menggunakan metode max-min menggunakan

persamaan seperti di bawah [3]:

(3)

Sedangkan untuk metode defuzzifikasi

menggunakan Mean of Maximum (MOM), yang

dapat digambarkan oleh Gambar 5 [3],

menggunakan persamaan 4:

Gambar 5.Metode defuzifikasi Mean of Maximum

(MOM).

(4)

Pada metode ini, solusi crisp diperoleh dengan cara

mengambil nilai rata-rata domain yang memiliki

nilai keanggotaan maksimum.

2.2. Mikrokontroler

Modul mikrokontroler yang digunakan untuk

rancangan ini adalah modul Arduino UNO dengan

IC mikrokontroler Atmega 328. Gambar 6

menunjukkan susunan pin dari modul Arduino

UNO [4].

Gambar 6. Modul Arduino UNO

Spesifikasi Modul Arduino UNO adalah sebagai

berikut:

- Jenis Integrated Circuit (IC): ATMEGA328

- Memori : 32 KBytes Flash dan 1024 EPROM

- I/O : 23 Programable I/O Lines

- Speed Grade : 0-20 MHz

- Analog to Digital Converter (ADC) : 8-channel,

10-bit

- 6 PWM channel

3. Perancangan Sistem.

3.1. Perangkat Keras

Rancangan sistem yang akan dibuat, ditunjukkan

oleh Gambar 7. Sebuah pemanggang kopi dengan

dua buah sensor dan sebuah elemen pemanas

listrik. Masukan berupa nilai set poin tingkat

kematangan biji kopi yang diinginkan.

Fuzzy Logic

Controller

Elemen

Pemanas

(Aktuator)

Sensor 1 (Warna)

Sensor 2 (Temp)

Mesin

Sangrai

Masukan Keluaran

+- -

Gambar 7. Diagram blok sistem pengendali elemen

pemanas pemanggang kopi

Sensor pertama merupakan sensor warna yang

akan mendeteksi tingkat kematangan biji kopi,

sensor kedua adalah sensor temperatur yang akan

mendeteksi nilai temperatur di dalam ruang

sangrai. Nilai kedua sensor tersebut digunakan

sebagai variabel masukan logika fuzzy yang akan

menghasilkan variabel nilai keluaran berupa nilai

Pulse Width Modulation (PWM) untuk

menentukan besarnya daya listrik pada elemen

pemanas.

Gambar 8 menunjukkan blok diagram sistem

pengendali elemen pemanas pemanggang kopi

dengan logika fuzzy menggunakan mikrokontroler.

Prototype yang dibuat hanya akan

mengilustrasikan prinsip kerja pengendali pemanas

dari mesin roaster. Sensor warna dan sensor

temperature akan digantikan oleh dua buah

variabel resitor (VR), yaitu VR 1 dan VR 2.

Sedangkan untuk pemanas listriknya menggunakan

lampu pijar 25 watt yang dilengkapi driver 4A.

Supply 5 VDC digunakan untuk catu daya

mikrokontroler dan catu daya 12 VDC sebagai catu

daya pemanas.

Gambar 8. Blok diagram sistem


Liquid Crystal Display (LCD) 2x16 digunakan

untuk menampilkan nilai-nilai hasil perhitungan

logika fuzzy yang dilakukan oleh mikrokontroler,

yang nantinya akan dibandingkan dengan nilai

hasil simulasi di Matlab. Alarm berfungsi untuk

memberikan informasi bahwa biji kopi yang

disangrai telah mencapai tingkat kematangan

tertentu. Tombol alarm digunakan untuk

mematikan alarm secara manual.

Desain schematic perangkat keras dapat dilihat

pada Gambar 9. Perangkat keras terdiri dari modul

mikrokontroler Arduino UNO, yang merupakan

pengendali utama dari sistem embedded yang

dibuat.

3.2. Logika fuzzy

Berdasrkan blok Fuzzy Logic Controller pada

Gambar 2, maka:

Masukan : u1 (warna kopi (tingkat kematangan))

u2 ( temperatur ruang sangrai(0C))

Keluaran : y (pemanas(% dari nilai maksimum))

Terdapat tiga buah variabel data yang nantinya

akan digunakan untuk membangun aturan-aturan

fuzzy, yaitu dua data masukan dan satu data

keluaran. Data masukan pertama berupa warna biji

kopi, data masukan kedua temperatur ruang

sangrai, sedangkan data keluaran berupa nilai

elemen pemanas. Langkah pertama adalah

menentukan fungsi keanggotaan atau Membership

Function (MFs). Dalam rancangan ini kami

menggunakan fungsi segitiga, baik untuk MFs

masukan dan keluaran. Gambar 9 menunjukkan

MFs masukan dan keluaran.

(a)

(b)

(c)

Gambar 9. (a) Fungsi keanggotaan masukan warna, (b)

Fungsi keanggotaan masukan temperatur, (c) Fungsi

keanggotaan keluaran pemanas.

Langkah selanjutnya adalah proses fuzzifikasi

yaitu suatu proses untuk mengubah suatu masukan

dari bentuk tegas (crisp) menjadi fuzzy (variable).

Pada proses ini kami akan menentukan derajat

keanggotaan untuk setiap nilai masukan.

Menentukan aturan-aturan fuzzy (Fuzzy Rule Base).

Dalam perancangan ini aturannya ditentukan

sebagai berikut:

Antecendent : warna (u1), temperatur (u2)

Consequence : pemanas (y)

Operator : AND

Banyaknya rule : jumlah input = 2

jumlah MFs = 5, maka

jumlah rule = 52 = 25 rule

Tabel 1 menunjukkan aturan-aturan fuzzy yang

digunakan dalam perangcangan sistem logika fuzzy

untuk kendali pemanas pemanggangkopi.

Tabel 1. Aturan-Aturan Fuzzy

U1 Hijau Kuning Agak

Coklat Coklat Hitam

U2

Dingin VL VL LG MD ZR

Sedang VL VL LG MD ZR

Agak

Panas VL VL LG LW ZR

Panas VL LG MD LW ZR

Sangat

Panas VL LG MD ZR ZR

Di mana : VL = very large, LG = large, MD =

middle, LW = low, dan ZR = zero.

Proses terahir adalah defuzzifikasi, proses

defuzzifikasi pada perangcangan ini menggunakan

persamaan 4. Nilai hasil defuzzifikasi ini akan

diubah kedalam bentuk nilai PWM.

3.3. Simulasi dengan Matlab

Toolbox FIS (Fuzzy Interference System) pada

Matlab digunakan untuk mensimulasikan

rancangan logika fuzzy yang sudah dibuat. Gambar

10 menunjukkan FIS Editor dari sistem logika

fuzzy pengendali pemanas pemanggang kopi.

Gambar 10. FIS Editor Sistem Logika Fuzzy

Pengendali Pemanas Pemanggang Kopi.


Sedangkan Gambar 11 menunjukkan rule viewer

yang mensimulasikan nilai masukan dan keluaran

dengan aturan-aturan fuzzy yang dibuat. Data-data

ini digunakan untuk memverifikasi hasil hitungan

logika fuzzy yang dilakukan oleh mikrokontroler.

Gambar 11. Rule viewer

3.4 Aplikasi pada Mikrokontroler

Program mikrokontroler dibangun menggunakan

bahasa C dengan algoritma seperti yang

ditunjukkan dalam diagram alir pada Gambar 12.

Gambar 12. Diagram alir program Mikrokontroler

Proses pertama adalah inisialisasi pin-pin yang

digunakan. Nilai ADC 0 diubah menjadi skala

masukan warna, yaitu 1-16, ADC 1 diubah

menjadi skala masukan temperatur yaitu 0-200.

Kode program dalam bahasa C untuk proses ini

adalah sebagai berikut: adc0=analogRead(0);

adc1=analogRead(1);

warna=(adc0*16)/1023;

temp=(adc1*200)/1023;

Nilai-nilai masukan sensor selanjutnya diubah

kedalam bentuk MFs dengan menggunakan kode

program sebagai berikut:

//rumus membership “warna” (segitiga)

float MF_warna(float 1, float b,

float c)

{ if (warna>=a&&warna<b)

{ member_warna=(warna-a)/(b-a); }

if (warna>=b&&warna<c)

{ member_warna=(c-warna)/(c-b); }

if (warna<2||warna>14)

{ member_warna=1;}

if (warna>c||warna<a)

{ member_warna=0;}}

Sedang pemrograman evaluasi aturan dapat dilihat

pada list di bawah:

//mencari nilai minimum (25 rule)

float fs[25]={0,1,2,3,4,5,6,7,8,9,10,

11,12,13,14,15,16,17,18,19,20,21,22,2

3,24}

{

if (hijau==1 && dingin==1)

{fs[0]=min(md_hijau,md_dingin;} else

{fs[0]=0;}

if (hijau==1 && sedang==1)

{fs[0]=min(md_hijau,md_sedang;} else

{fs[1]=0;}

if (hijau==1 && agakpanas==1)

{fs[0]=min(md_hijau,md_agakpanas;}

else

{fs[2]=0;}

if (hijau==1 && panas==1)

{fs[0]=min(md_hijau,md_panas;} else

{fs[3]=0;}

if (hijau==1 && sangatpanas==1)

{fs[0]=min(md_hijau,md_sangatpanas;}

else

{fs[4]=0;}

if (kuning==1 && dingin==1)

{fs[0]=min(md_kuning,md_sedang;}

else

{fs[5]=0;}

if (kuning==1 && sedang==1)


else

{fs[6]=0;}

if (kuning==1 && agakpanas==1)


else

{fs[7]=0;}

if (kuning==1 && panas==1)


else

{fs[8]=0;}

if (kuning==1 && sangatpanas==1)


else

{fs[9]=0;}

Berdasar persamaan (4), proses defuzzifikasi dapat

ditulis seperti kode program berikut:

//***PROSES DEFUZZYFIKASI MOM***

if

((st_zero==1)&&(st_low==0)&&(st_middl


e==0)&&(st_large==0)&&(st_verilarge==

0))

{ pmns=(zero)/2; }

if



0))

{ pmns=(low_min+low_max)/2; }

if



1))

{ pmns=(low_min+zero)/2; }

if



0))

{ pmns=(middle_min+middle_max)/2; }

Setelah mendapatkan nilai defuzzifikasi, langkah

terakhir adalah merubah nilai tersebut kedalam

bentuk PWM. Kode programnya seperti dibawah

ini. float pmns_pwm = (pmns/100)*255;

analogWrite (3, pmns_pwm);

4. Hasil dan Analisa

Gambar 12 menunjukkan grafik respon elemen

pemanas pemanggang kopi terhadap warna biji

kopi dan temperatur ruang sangrai.

Gambar 13. Grafik respon pemanas pemanggang

kopi terhadap warna biji kopi dan temperatur ruang

sangrai

Dari Gambar 12 membuktikan bahwa logika fuzzy

yang dibangun untuk sistem pengendalian elemen

pemanas pemanggang kopi, sudah dapat dikatakan

sesuai dengan keahlian seorang operator pada saat

melakukan proses roasting. Sebagai contoh, saat

biji kopi masih ditingkat kematangan 2 yang

berarti warna biji kopi antara hijau dan kuning,

sedangkan suhu ruang sangrai masih 40⁰C, maka

tingkat pemanasan elemen pemanas harus 100%.

Contoh lain saat warna biji kopi mendekati tingkat

kematangan 16, berapapun suhu ruang sangrai

pada saat itu, tingkat pemanasan elemen pemanas

harus di bawah 5%. Karena pada tingkat

kematangan ini proses roasting biji kopi harus

segera diakhiri, agar biji kopi tidak rusak.

Gambar 13 menunjukkan prototype yang

mengilustrasikan prinsip kerja pengendali elemen

pemanas dari mesin pemanggang kopi.

Mikrokontroler merupakan pengendali utama

sistem, dimana algoritma logika fuzzy ditanamkam

ke dalam memori mikrokontroler tersebut.

Port masukan analog Arduino menggunakan

tegangan 0-5V. Port masukan analog ini sudah

terintegrasi dengan komponen ADC yang memiliki

resolusi sebesar 10 bit. VR 1 akan memberikan

nilai masukan ke ADC yang merepresentasikan

nilai sensor warna dan VR 2 merepresentasikan

nilai temperatur ruang sangrai. Masing-masing

nilai ADC tersebut akan diubah menjadi skala nilai

warna biji kopi dan temperature ruang sangrai.

Sedangkan keluaran dari proses defuzzifikasi

dikeluarkan oleh pin 3 yang didalamnya sudah

terintegrasi dengan Pulse Width Modulation

(PWM). Pin ini memiliki jangkauan integer 0-255,

nilai ini digunakan untuk menggerakkan rangkaian

driver pemanas dalam hal ini direpresentasikan

oleh lampu pijar. Rangkaian driver akan merubah

nilai PWM menjadi tegangan kerja lampu pijar

yaitu 0 VDC sampai 12 VDC dengan keluaran arus

maksimal 4 A.

Nilai-nilai masukan dan keluaran dapat dilihat

pada tampilan LCD. Saat kita merubah-rubah nilai

tahanan VR, secara real time mikrokontroler akan

melakukan perhitungan logika fuzzy yang telah

dibuat. Respon dari pemanas dapat langsung

dilihat. Dalam sistem ini terdapat tambahan fitur

alarm. Alarm akan aktif saat tingkat kematangan

biji kopi bernilai > 15, ini untuk menandakan

bahwa tingkat kematangan biji kopi mendekati

batas maksimal. Alarm ini dapat dinonaktifkan

secara manual menggunakan alarm switch.

Gambar 14.Prototype pengendali pemanas

pemanggang kopidengan logika fuzzy menggunakan

Mikrokontroler.

Alarm

switch

Mikrokontroler Indikator

Pemanas

Driver Pemanas

Power Supply

VR1 &VR2

LCD 2x16


Perbandingan antara hasil simulasi Matlab dan

perhitungan logika fuzzy yang dilakukan oleh

mikrokontroler, dapat dilihat pada Tabel 2.

Tabel 2. Hasil pengujian perhitungan logika fuzzy

dengan Matlab dan Mikrokontroler.

NO

INPUT VALUE OUTPUT VALUE ERROR

(%) WARNA SUHU MATLAB HARDWARE

(U1) (U2)

1 0 0 100 100 0

2 2,08 20,14 100 99,67 0,33

3 5,08 28,54 97,5 97,33 0,17

4 7,99 49,27 75 75 0

5 9,23 113 75 75 0

6 10,01 125,5 25 25 0

7 10,56 64,13 50 50 0

8 11,03 113 25 25 0

9 12,89 153,27 4,5 4,64 0,14

10 13,75 200 1 1,05 0,05

11 16 200 0 0 0

Pada Tabel 2 dapat dilihat bahwa nilai keluaran

yang dihasilkan simulasi Matlab dan perhitungan

mikrokontroler, menunjukkan nilai yang relatif

sama, dimana rata-rata nilai error hanya 0,06%

atau mendekati 0 %. Ini membuktikan bahwa

algoritma logika fuzzy untuk kendali pemanas

pemanggang kopi, yang ditanam di sistem

mikrokontroler dapat dikatakan berhasil.

Penerapan logika fuzzy pada mesin sangrai kopi

menyebabkan prosedur kerja mesin ini berubah.

Pengendalian tingkat elemen pemanas yang semula

dikendalikan secara manual oleh serorang operator,

dengan sistem ini, proses tersebut akan digantikan

dengan sebuah sistem embedded menggunakan

mikrokontroler sehingga prosesnya dapat berjalan

otomatis.

Dari hasil pengujian perangkat keras, prototype

yang dibuat dapat bekerja sesuai dengan rancangan

yang dikehendaki. Untuk meningkatkan performa

pengendalian, diperlukan tambahan variable

masukan, seperti sensor temperature untuk

pemanas dan variabel waktu roasting. Diperlukan

pengujian untuk implementasi yang sebenarnya,

yaitu mengganti VR dengan sensor-sensor yang

sebenarnya dan mengganti lampu pijar dengan

jenis elemen pemanas yang dipakai di pemanggang

kopi

5. Kesimpulan

Dari hasil simulasi dan analisis data yang

dihasilkan dapat diambil beberapa kesimpulan.

Logika fuzzy yang dibangun untuk sistem

pengendalian pemanas roaster kopi, sudah dapat

dikatakan sesuai dengan keahlian seorang operator

pada saat melakukan proses roasting

Algoritma Logika fuzzy yang ditanamkan ke

mikrokontroler dapat dikatakan berhasil dengan

rata-rata error 0,06%. Prototype yang dibuat sudah

bisa merepresentasikan sistem kerja pengendali

pemanas roaster kopi yang sebenarnya dengan

baik.

Daftar Pustaka

[1] Mulato, Sri. Perancangan dan pengujian mesin

sangrai biji kopi tipe silinder. Pelita Perkebunan,

18, 31—45, 2002

[2] http://www.rumahkopi.com/2012/02/roasting-

kopi.html. diakses tanggal 24 November 2014

[3] Suyanto. Soft Computing Membangun Mesin Ber

IQ Tinggi. Penerbit Informatika. 2008.

[4] McRoberts, Michael. Beginning Arduino.

Technology In Action, 2010

[5] Pudjo Widodo, Pabowo dan Rahmadya.

Penerapan Soft Computing dengan Matlab.

Rekayasa Sains. 2012


Pemodelan dan Simulasi Kendaraan Listrik Berbasis

Motor Arus Searah pada MATLAB/Simulink

Modeling and Simulation of an Electric Vehicle Based on

Direct Current Motor on MATLAB/Simulink

Adnan Rafi Al Tahtawi Program Studi Teknik Komputer, Politeknik Sukabumi, Jl. Babakan Sirna No. 25 Kota Sukabumi


_______________________________________________________________________________________

Abstract

Electric vehicle is one of vehicles which not have pollution due to environmental-friendly characteristic. Recently,

the researches about electric vehicles, especially electric car, are still being conducted as well as hardware realization

or software simulation. In this paper, modeling and simulation of an electric vehicle based Direct Current Motors

(DCMs) using MATLAB/Simulink will be presented. Interaction between vehicle’s wheels and the road can be

simulated using two units of DCM with linked axis of rotation. DCM1 and DCM2 are assumed respectively as electric

motor drive and various road profiles. Input of DCM1 is speed profile, while the other is road’s slope angle profile.

Therefore, with using this model, the amount of power consumption which is needed by the vehicle for each scenario

designed can be observed easily.

Keywords: Electric vehicle, power, direct current motor (DCM), MATLAB/Simulink

Abstrak

Kendaraan listrik merupakan jenis kendaraan yang ramah lingkungan karena tidak menghasilkan polusi udara. Saat

ini penelitian terkait kendaraan listrik, khususnya mobil listrik, masih terus dilakukan baik secara simulasi maupun

eksperimen langsung. Pada makalah ini, akan dimodelkan dan disimulasikan mobil listrik menggunakan

MATLAB/Simulink berbasis motor arus searah (MAS). Interaksi antara roda mobil dengan permukaan jalan dapat

disimulasikan menggunakan dua buah MAS yang saling terhubung sumbu putarnya. MAS1 dan MAS2 berturut-turut

diasumsikan sebagai motor listrik dan profil jalan. Masukan pada MAS1 adalah profil kecepatan dan masukan MAS2

adalah profil sudut kemiringan jalan. Dengan digunakannya model ini, besarnya konsumsi daya yang diperlukan oleh

mobil listrik untuk setiap skenario yang dirancang dapat diamati dengan mudah.

Kata kunci: Mobil listrik, daya, motor arus searah (MAS), MATLAB/Simulink

_______________________________________________________________________________________

1. 1Pendahuluan

Jumlah kendaraan bermotor yang semakin hari

semakin bertambah akan berdampak pada lebih

besarnya lagi tingkat polusi udara di muka bumi.

Hal ini tentu saja menjadi tugas besar bagi umat

manusia untuk terhindar dari kondisi tersebut.

Penelitian-penelitian terkait kendaraan yang ramah

lingkungan pun masih terus dilakukan, salah

satunya yaitu tentang mobil listrik. Seperti yang

diketahui bahwa energi listrik merupakan salah

satu jenis energi yang ramah lingkungan. Dengan

adanya kendaraan yang menggunakan sumber

energi listrik, maka tingkat pencemaran udara

dapat ditekan.

Received: 6 June 2016; Revised: 3 January 2017; Accepted: 4 January 2017; Published Online: 22 February 2017 ©2016 INKOM


Saat ini penelitian terkait mobil listrik telah

banyak dilakukan baik secara eksperimen

hardware langsung maupun secara simulasi

software. Pada makalah ini akan dimodelkan serta

disimulasikan sebuah mobil listrik dengan

menggunakan motor arus searah (MAS) sebagai

komponen utamanya pada MALAB/Simulink.

Sebelumnya, simulasi mobil listrik secara software

telah dilakukan. Pemodelan mobil listrik berbasis

MATLAB/Simulink menggunakan mesin sinkron

sebagai komponen utamanya telah dilakukan oleh

[1]. Selain itu pada [2]-[4], mobil listrik juga telah

dimodelkan pada MATLAB/Simulink dengan

menggunakan persamaan dinamika kendaraan.

Perbedaan dengan penelitian sebelumnya adalah

pada makalah ini skema pemodelan digunakan

dengan menggunakan dua unit MAS sebagai

komponen utamanya. Kedua MAS tersebut saling

terhubung sumbu putarnya satu sama lain. MAS1

diasumsikan sebagai mobil listrik sedangkan


MAS2 diasumsikan sebagai beban yang diterima.

Dengan menggunakan skema ini, simulasi secara

hardware dapat lebih mudah dilakukan karena

digunakannya MAS yang memiliki karakteristik

lebih sederhana jika dibandingkan dengan motor

listrik lainnya, seperti yang dilakukan pada [5] dan

[6]. Selain itu, dengan menggunakan model yang

dirancang, besarnya konsumsi daya mobil listrik

yang diperoleh dapat diketahui untuk setiap

skenario profil jalan yang dirancang.

2. Pemodelan baterai

Model baterai yang digunakan yaitu terdiri dari

sumber tegangan variabel dan resistansi internal

yang tersusun seri. Sinyal variabel untuk sumber

tegangan mengacu pada [7] yaitu sebagai berikut:

( )

dengan E adalah tegangan kendali, E0 adalah

tegangan konstan baterai, K adalah tegangan polar,

Q adalah kapasitas baterai, A adalah amplitudo

daerah eksponensial, B adalah invers konstanta

waktu daerah eksponensial, Vbatt adalah tegangan

aktual baterai, R adalah resistansi dan i adalah arus.

Gambar 1. Model baterai

3. Pemodelan gaya pada mobil bergerak

Interaksi antara roda mobil dengan permukaan

jalan dapat dimodelkan dengan dua buah MAS

yang saling terhubung sumbu putarnya. MAS1

diasumsikan sebagai kendaraan (mobil) sedangkan

MAS2 diasumsikan sebagai profil beban. Karena

model yang digunakan adalah MAS, maka

diperlukan perhitungan tegangan masukan MAS

yang mampu merepresentasikan kondisi interaksi

sebenarnya antara mobil dan permukaan jalan.

Gaya yang berinteraksi pada mobil bergerak

dimodelkan pada Gambar 2. Besarnya perubahan

kecepatan mobil saat melintas dipermukaan jalan

adalah:

∑ ∑

dimana

adalah perubahan kecepatan terhadap

waktu (percepatan), ∑ adalah total gaya traksi

kendaraan, ∑ adalah total gaya resistif,

adalah faktor massa dan adalah total massa

kendaraan. Gaya resistif kendaraan terdiri dari

gaya resistif putaran roda ( ), gaya aerodinamis

( ) dan gaya gravitasi ( ). Ketiga gaya tersebut

diperoleh berdasarkan persamaan berikut:

( ) ( )

(

) ( )

( )

dimana adalah kecepatan, adalah kecepatan

angin, adalah massa kendaraan, adalah

percepatan gravitasi, adalah sudut kemiringan

jalan, massa jenis udara, dan berturut-

turut adalah koefisien resistansi roda dan

aerodinamis, terakhir adalah ruas area depan

kendaraan. Untuk kesederhanaan, massa jenis

udara ( ) pada kondisi udara kering dapat

ditentukan sebesar 1 kg/m3 dan kecepatan angin

( ) dapat diabaikan. Dengan demikian total gaya

traksi yang diperlukan dapat ditulis:

( )

( )

Berdasarkan persamaan tersebut maka dapat

dihitung besarnya torsi yang diperlukan roda

sebagai berikut:

dimana adalah torsi, adalah skala torsi dan

adalah jari-jari roda.

Gambar 2. Gaya yang berinteraksi

4. Pemodelan motor arus searah (MAS)

Pada bagian ini akan dimodelkan dua buah MAS

yang terhubung sumbu putarnya seperti pada

Gambar 3. Kedua MAS tersebut dimodelkan

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

Pemodelan dan Simulasi Kendaraan Listrik Berbasis Motor Arus Searah.....: A.R. Al Tahtawi 77

secara elektrik dan mekanik. Persamaan elektrik

MAS dapat ditulis:

dimana adalah tegangan masukan MAS, dan

berturut-turut adalah resistansi dan induktansi, adalah arus dan adalah tegangan yang

disebabkan gaya balik elektromotif. Sedangkan

persamaan mekanik MAS ketika terhubung sumbu

putar dengan MAS lain adalah:

dimana dan adalah torsi MAS1 dan

MAS2, adalah momen inersia dan

adalah

percepatan sudut. Dengan menggunakan

hubungan:

dan

dimana adalah konstanta motor dan adalah

kecepatan sudut, maka persamaan elektris dan

mekanis kedua MAS adalah

dimana dan adalah tegangan masukan

kedua MAS.

Gambar 3. Dua unit MAS yang terhubung

5. Desain model pada MATLAB/Simulink

Model mobil listrik berbasis MAS dirancang pada

MATLAB/Simulink. Tahapan pemodelan yang

dilakukan dapat dilihat pada Gambar 4. Komponen

utama yang digunakan yaitu DC Machine pada

library Simscape/SimPowerSystems/Machines.

Model yang dirancang ditunjukkan pada Gambar 5

Gambar 4. Diagram alir pemodelan

Gambar 5. Model mobil listrik berbasis MAS

(9)

(10)

(11)

(12)

(13)

(14)


Kedua MAS tersebut dihubungkan dengan

menggunakan kedua torsi yang dihasilkan (T1 dan

T2). Tegangan masukan yang diperlukan untuk

kedua MAS (Vdcm1 dan Vdcm2) tersebut

diperoleh berdasarkan persamaan (13) dan (14).

Tegangan tersebut diperoleh dari kecepatan dan

profil kemiringan jalan yang ditentukan.

Selanjutnya, kedua tegangan tersebut diberikan ke

kedua MAS melalui sinyal PWM.

6. Hasil simulasi

Untuk mengetahui hasil dari model yang

dirancang, maka dilakukan simulasi pada

MATLAB/Simulink. Simulasi dilakukan dengan

menggunakan solver ODE45 dan waktu sampling

1e-03 s. Adapun parameter kendaraan yang

digunakan tersaji pada Tabel 1. Parameter tersebut

diperoleh dengan mengacu pada [9]. Profil

kecepatan yang diujikan terdapat dua jenis, yaitu

konstan dan stop and go, sedangkan profil jalan

yang dirancang yaitu datar dan berbukit. Profil

kecepatan konstan yang dirancang yaitu 36 km/jam

(10 m/s), sedangkan profil kecepatan stop and go

tersaji pada Gambar 6. Profil jalan berbukit

dirancang pada MATLAB/M-file dengan

menggunakan persamaan linier parsial dan tersaji

pada Gambar 7. Besarnya tegangan yang diperoleh

untuk empat skenario yang dirancang juga tersaji

pada Gambar 8.

Tabel 1. Parameter kendaraan

Parameter Nilai

Massa body

Massa roda dan motor

Jari-jari roda

Rasio gearbox

Luas area depan

Koefisien resistansi roda

Koefisien aerodinamis

800 Kg

10 Kg

0,3 m

1 : 5

1,8 m2

0,01+3,6

0,55

Gambar 6. Profil kecepatan stop and go

Gambar 7. Profil jalan berbukit beserta sudut

kemiringannya

(a)

(b)

(c)

(d)

Gambar 8. Tegangan kedua MAS: (a) kecepatan

konstan dan jalan berbukit, (b) kecepatan konstan dan

jalan datar, (c) kecepatan stop and go dan jalan berbukit,

(d) kecepatan stop and go dan jalan datar

Gambar 8 memperlihatkan besarnya tegangan

yang diperoleh berdasarkan persamaan (13) dan

(14) sesuai skenario yang dirancang. Baterai yang

digunakan sebagai model yaitu Lithium-Ionium

dengan tegangan nominal 3,7 V dan rated capacity

1 Ah. Banyaknya baterai yang digunakan yaitu 12

Pemodelan dan Simulasi Kendaraan Listrik Berbasis Motor Arus Searah.....: A.R. Al Tahtawi 79

unit sehingga menghasilkan tegangan 51,68 V.

Besarnya tegangan pada Gambar 8 terlihat tidak

melebihi batas maksimum tegangan baterai. Hal ini

terjadi karena proses scaling yang telah dilakukan

sebelumnya. Besarnya daya yang diperlukan

baterai untuk setiap skenario disajikan pada

Gambar 9 dibawah ini.

(a)

(b)

(c)

(d)

Gambar 9. Daya yang diperlukan: (a) kecepatan

konstan dan jalan berbukit, (b) kecepatan konstan dan

jalan datar, (c) kecepatan stop and go dan jalan berbukit,

(d) kecepatan stop and go dan jalan datar

(a)

(b)

Gambar 10. SOC: (a) kecepatan konstan, (b) kecepatan

stop and go

Sesuai dengan Gambar 9, besarnya daya yang

diperlukan pada skenario (a) berbanding lurus

dengan besarnya sudut permukaan jalan. Hal ini

terjadi karena beban yang diterima lebih besar

pada kondisi jalan uphill, sedangkan saat downhill

daya yang dihasilkan bernilai negatif dimana

kondisi ini dimanfaatkan untuk pengereman

regeneratif. Pada skenario (b), daya yang

dihasilkan hampir mendekati nol. Hal ini

dikarenakan profil kecepatan yang dirancang

bersifat konstan dan profil jalan yang dirancang

pun memiliki kemiringan 0ᴼ. Akan tetapi,

diperlukan daya yang besar selama 0,5 detik sesaat

ketika mobil memulai perjalanan. Skenario (c) dan

(d) pada Gambar 9 memperlihatkan besarnya daya

yang diperlukan ketika kecepatan tidak konstan.

Perbedaan antara skenario (c) dan (d) terlihat saat

mobil berada pada kondisi uphill dan downhill.

Ketika kecepatan berakselerasi diperlukan daya

yang lebih besar, sedangkan ketika mobil

melakukan perlambatan daya yang dihasilkan

bernilai negatif. Hal ini sesuai dengan kondisi

pengereman regeneratif pada mobil listrik. Gambar

10 menunjukkan SOC baterai yang dihasilkan.

SOC diperoleh sesuai skenario kecepatan dan

kondisi jalan yang dirancang. Gambar 10(a)

merupakan SOC ketika kondisi kecepatan konstan,

sedangkan Gambar 10(b) diperoleh ketika

digunakan kecepatan tidak konstan (stop and go).

Kedua SOC tersebut berlaku untuk profil jalan

berbukit dan datar.

Dari beberapa skenario yang diujikan, terlihat

bahwa dengan digunakannya MAS sebagai model

dari mobil listrik, maka besarnya daya yang

diperlukan dapat dianalisa untuk berbagai skenario

perjalanan. SOC baterai juga dapat diamati sesuai

skenario yang dirancang. Selain itu, model ini juga

lebih mudah direalisasikan kedalam perangkat

keras sehingga sistem yang dirancang akan lebih

mendekati kondisi sebenarnya.


7. Kesimpulan

Model mobil listrik berbasis MAS telah dirancang

dan disimulasikan pada MATLAB/Simulink.

Dengan digunakannya dua unit MAS yang

terhubung sumbu putarnya sebagai komponen

utama, besarnya daya yang diperlukan untuk setiap

skenario perjalanan mobil dapat dianalisa. SOC

baterai juga dapat diamati sesuai skenario

perjalanan yang dirancang. Selain itu, realisasi

perangkat keras pun akan lebih mudah dilakukan.

Dengan demikian, model ini dapat dijadikan

sebagai salah satu alternatif simulasi mobil listrik

dalam skala kecil baik secara software maupun

hardware.

Daftar Pustaka

[1] Kaloko, B.S., Soebagio, Purnomo, M.H., Design

and Development of Small Electric Vehicle using

MATLAB/Simulink, International Journal of

Computer Applications Vol. 24 No. 6, June 2011,

pp. 19-23.

[2] Gao, et. al., Modeling and Simulaion of Electric

and Hybrid Vehicles, Proceedings of the IEEE

Vol. 95 No. 4, April 2007, pp. 729-745.

[3] Karen L., Butler, et. al., A Matlab-Based Modeling

and Simulation Package for Electric and Hybrid

Electric Vehicle Design, IEEE Transactions on

Vehicular Technology, Vol. 48, No. 6, Nov 1999.

[4] Salem, Farhan A., Modeling and Control Solution

for Electric Vehicles, European Scientific Journal

Vol. 9 No. 15, May 2013, pp. 221-240.

[5] Diaz, Stephanie, Protodrive: Simulation of Electric

Vehicle Powertrains, NSF Summer Undergraduate

Fellowship in Sensor Technologies, Binghamton

University, 2012.

[6] Al Tahtawi, A.R., Rohman, A.S., Simple

Supercapacitor Charging Scheme in Electrical

Car Simulator Using Direct Current Machines,

Proceeding of The 5th

International Conference on

Electrical Engineering and Informatics (ICEEI)

Bali, August 2015, pp. 623-628.

[7] Tremblay, O., et. al., A generic battery model for

the dynamic simulation of hybrid electric vehicle,

IEEE Vehicle Power and Propulsion Conference,

2007.

[8] Ehsani, M., et. al., Modern Electric, Hybrid

Electric and Fuel Cell Vehicles, Fundamentals,

Theory and Design, CRC Press LCC, 2004.

[9] Schaltz, Erik. Electric Vehicle Design and

Modeling. Aalborg University, Denmark, INTECH

Open Acces Publisher, 2011.


Online Monitoring Kualitas Air pada Budidaya Udang

Berbasis WSN dan IoT

Online Water Quality Monitoring In Shrimp Aquaculture

Based On WSN and IoT

Yudi Yuliyus Maulana, Goib Wiranto, Dayat Kurniawan

Pusat Penelitian Elektronika dan Telekomunikasi, Lembaga Ilmu Pengetahuan Indonesia.

Jl. Sangkuriang Kompek LIPI Gedung 20 lantai IV Bandung 40135, Indonesia


Abstract

The paper describes the design and development of online water quality monitoring system based on wireless sensor

network (WSN) and Internet of Things (IOT). The system has been designed and developed to monitor some parameters

such as Dissolved Oxygen (DO), pH, conductivity and temperature on a shrimp aquaculture. The system consists of

several sensor nodes with the main components of an Arduino Uno connected to XBee and a master board. The main

components of master board are Raspberry Pi 2 (RPi2) and XBee board. Data were sent from each node to RPi2 using

WSN with a data packet that comes with an unique ID. The data was stored in the internal database of the RPi2 and

displayed in graph. Timer update server was used to updatethe data from RPi2 to a server using WiFi network. Data on

the server can be viewed using website, but it also can be seen using Telegram application installed in the mobile

devices. The RPi2 program was developed using Python language and matplotlib components. The experimental results

show that the system has great prospects and can be used for shrimp aquaculture by providing information that is

relevant and timely. The collected data can be used for further research and analysis.

keywords: aquaculture shrimp, internet of things, quality of water, sensor, Wireless Sensor Network

Abstrak

Dalam tulisan ini dijelaskan desain dan pengembangan sistem online monitoring kualitas air berbasis wireless

sensor Network (WSN) dan Internet of Things (IoT). Sistem ini didesain dan dikembangkan untuk memantau parameter

DO (Dissolved Oxygen), pH, conductivity dan temperatur pada budidaya udang. Sistem terdiri dari beberapa node

sensor dengan komponen utama arduino uno yang terhubung dengan Xbee board dan master board dengan komponen

utamanya adalah Raspberry Pi 2 (RPi2) board dan Xbee. Data dikirim dari masing-masing node ke RPi2 menggunakan

jaringan WSN dengan paket data yang dilengkapi dengan masing-masing ID, setelah itu data disimpan di database

internal RPi2 dan ditampilkan di graph. Timer update server digunakan untuk update data dari RPi2 ke server

menggunakan jaringan internet melalui wifi. Data di server dapat dilihat menggunakan website, selain itu juga data

dapat dilihat pada aplikasi Telegram Messenger yang ter-install di perangkat ponsel. Program RPi2 dikembangkan

menggunakan bahasa python dan komponen matplotlib. Hasil percobaan menunjukkan bahwa sistem memiliki prospek

yang besar dan dapat digunakan untuk keperluan budidaya udang dengan memberikan informasi yang relevan dan tepat

waktu. Data hasil pengumpulan tersebut dapat digunakan untuk penelitian dan analisa lebih lanjut.

.

kata kunci : budidaya udang, internet of things, kualitas air, sensor, wireless sensor network

1. 1Pendahuluan

Di negara-negara berkembang seperti Indonesia,

mengelola sumber daya air telah menjadi isu

mendasar yang telah dibahas serius oleh

pemerintah dan organisasi publik selama dekade

terakhir. Tujuannya adalah untuk menjamin

keberlanjutan sumber daya air untuk generasi

Received: 17 March 2016; Revised: 27 January 2017; Accepted: 30

January 2017; Published Online: 22 February 2017 ©2016 INKOM


mendatang. pengelolaan sumber daya air tidak

hanya kekhawatiran tentang konservasi air, tetapi

juga mencakup penyediaan informasi tentang

kualitas air, yang harus dapat diakses oleh publik

sehingga persiapan awal dapat diambil oleh

mereka yang terkena dalam kondisi degradasi air

[1]. Informasi tersebut dapat disediakan oleh

jaringan pengukuran kualitas air terencana yang

diaplikasikan untuk penggunaan tertentu, seperti

air minum [2], industri [3], pertanian [4],

budidaya [5], dan lain-lain. Masalah utama dalam

meralisasi suatu jaringan sistem online monitoring


kualitas air di negara kepulauan seperti Indonesia

terkait dengan lokasi geografis akan terpisah

sumber daya air dan manajemen. Di masa lalu,

masalah geografis diselesaikan dengan cara

konvensional atau manual dalam pengumpulan

data, dengan mengandalkan kemampuan manusia

untuk mengumpulkan data sampel air dan

kemudian menganalisisnya di laboratorium.

Proses ini tidak hanya memakan waktu (tidak

praktis), tetapi juga tenaga kerja mahal dan rendah

resolusi waktu.

Tapi dengan kemajuan di bidang Teknologi

Informasi, sekarang data dapat dikumpulkan di

lokasi dan ditransmisikan ke seluruh wilayah yang

luas dengan menggunakan Wireless Sensor

Network (WSN) dan Internet of Things (IoT). Hal

ini tidak mengherankan bahwa selama beberapa

tahun terakhir, WSN dan IoT telah menerima

banyak perhatian dari akademisi maupun industri

karena telah diaplikasikan secara luas [6].

Keuntungan utama dari WSN adalah murah

implementasi dan pemeliharaan, karena penyiapan

tidak memerlukan infrastruktur fix. Selain itu,

WSN membutuhkan daya rendah [7], dan dapat

di-install di setiap tempat yang sulit dijangkau dan

jauh terisolasi, meliputi wilayah yang luas dari

berbagai jenis sumber daya air [8]. Keuntungan

ini telah menarik peneliti lingkungan dalam

menerapkan WSN untuk memantau kondisi

lingkungan termasuk parameter kualitas air [9].

Dalam kebanyakan arsitektur WSN baru-baru ini,

tren telah menggunakan sistem data logging

kustom untuk memperoleh data kualitas

lingkungan dan mengirimkannya ke server data

jarak jauh, dimana kemudian data akan

didistribusikan ke situs web atau perangkat ponsel

[10,11].

Dalam tulisan ini, desain dan implementasi

dari WSN untuk monitoring parameter kualitas air

akan dijelaskan. Sistem ini terdiri dari sensor

untuk memantau parameter kualitas air (DO, pH,

dan suhu), sebuah Raspberry Pi 2, dan server

database dengan aplikasi perangkat lunak. Sistem

ini telah diuji di lapangan untuk memantau

kualitas air dari budidaya udang dan mampu

memberikan data yang online melalui situs web

(www.ppet.org/water/home.php) dan Telegram

Messenger.

2. Desain dan realisasi alat

Sistem di desain untuk beberapa node dalam satu

lokasi, setiap node mempunyai ID masing-masing

yang berbeda dan setiap Lokasi mempunyai ID

masing-masing yang berbeda pula. Sistem ini

dirancang untuk dapat menerima data dari

beberapa stasiun/lokasi tambak udang atau lokasi

yang lain yang terdiri dari beberapa node WSN

untuk setiap lokasinya. Struktur utama terdiri dari

modul node sensor, master dan web server. Data

awal kualitas air dari lokasi instalasi dikumpulkan

di node sensor, Dalam hal ini, empat parameter

kualitas air adalah DO (Dissolved Oxygen), pH,

conductivity dan temperatur. Data dari node

sensor dikirimkan ke master menggunakan

pemancar wireless Xbee (WSN) kemudian master

mengolahnya, menampilkan lalu mengirimkan

data ke server menggunakan Wireless Fidelity

(wifi). Data akan di-upload ke situs web dan

dikirim ke beberapa ponsel yang ditunjuk dengan

aplikasi Android. Konsep dasar dari sistem online

monitoring kualitas air berbasis jaringan WSN

dan IoT untuk tambak udang ditunjukkan pada

Gambar 1.

.

Master(RPi 2 Board)

XBee

INTERNETLCD

WIFI MODEM

WEB SERVER

USER HOME SMART PHONE

INTERNET

WEB PAGE

PHNODE 1

(Arduino Uno)

Temperature

Conductivity

DO

XBee

PHNODE 2

(Arduino Uno)

Temperature

Conductivity

DO

XBee

Gambar 1. Blok diagram sistem online monitoring kualitas air berbasis jaringan WSN dan IoT

Online Monitoring Kualitas Air pada Budidaya Udang Berbasis..... : Y.Y. Maulana, G. Wiranto, D. Kurniawan 83

2.1 Node sensor

Node sensor adalah bagian depan seluruh sistem

WSN. Ini terdiri dari empat sensor kualitas air,

rangkaian antarmuka, mikrokontroler Arduino

Uno, dan pemancar wireless Xbee Pro. Node

sensor telah didukung oleh 50 Watt panel surya,

dan dengan demikian bisa dipasang di hampir

semua lokasi. sensor pH yang digunakan adalah

dari Atlas Scientific dengan probe sensitifitas dari

0 - 14. Sensor DO dari Atlas Scientific dengan

probe range sensitivitas 0 - 20 mg/l. Sensor

conductivity juga dari Atlas Scientific dengan

probe range sensitivitas 5 µS/cm to 200,000

µS/cm. Sensor suhu ini dari jenis DS18B20

Maxim Integrated dengan range pengukuran -55

sampai 125°C. Diagram blok dari seluruh node

sensor dapat dilihat pada Gambar 2. Sirkuit PH,

DO dan conductivity ini diperlukan untuk

mengkonversi output dari ketiga sensor ke dalam

format digital untuk dapat dibaca oleh

mikrokontroler Arduino. Operasi node sensor

dilakukan oleh mikrokontroler Arduino

menggunakan set instruksi dari memulai

perangkat keras dan perangkat lunak koneksi

untuk mengumpulkan dan mengirimkan data

sensor menggunakan pemancar Xbee yang

bekerja pada frekuensi 2,4 GHz. file protokol dari

node ke master/ RPI2 dan Flow chart Arduino

Uno dapat dilihat pada Gambar 3 dan 4.

Arduino UNO

PH Circuit DO Circuit

Temperatur

SensorPH Sensor DO Sensor

XBee Pro

UARTOne Wire

UART

U

A

R

T

Conductivity

Circuit

conductivity

Sensor

UART

Gambar 2. Diagram blok node sensor

Header ‘A’data_PH data_DO ‘B’ data_Cond ‘C’ data_Temp TailnodeID

Header = 1 byte data karakter ‘@’

nodeID = 1 byte data unsign integer: 1,2,3,dst

data_PH, data_DO, data_Cond, data_Temp = n byte data string data

Identifier : ‘A’,’B’,’C’,’D’ = 1 byte data char type

Tail = 1 byte data karakter ‘#’

Gambar 3. File protokol dari node ke master/RPI2

START

INISIALISASI SERIAL XBEE, DO, PH, COND, ONE WIRE TEMPERATURE

CEK DATA XBEE DAN ID NODE

N

AMBIL DATA SENSOR DO, PH, TEMP, COND

Y

KIRIM DATA KE MASTER (RPi2)+ID_NODE

CLEAR BUFFER DATA

Gambar 4. Flow chart program Arduino UNO

2.2. Master

Unit utama dari master adalah Raspberry Pi 2,

yang digunakan untuk mengontrol komunikasi

dari dan ke node sensor menggunakan Xbee Pro,

pengiriman data ke server menggunakan modem

Wifi, dan menampilkan data menggunakan LCD.

Xbee Pro yang digunakan untuk menerima data

yang dikirimkan dari node sensor. Setelah

diterima, data akan segera ditampilkan pada LCD

bersama dengan tanggal dan waktu data diterima.

Semua data (sensor dan waktu data) kemudian

ditransmisikan ke server menggunakan Wifi

secara periodik yaitu setiap 10 menit sekali dan

dapat diatur sesuai dengan keperluan user.

Gambar 3 menunjukkan diagram blok dan

realisasi komponen data yang logger.

Raspberry Pi 2

LCD

XBee ProUART

UART Wifi Modem

Gambar 5. Diagram blok master


START

INISIALISASI SERIAL XBEE, MYSQL, MATPLOTLIB, TIMER REQUEST DATA SENSOR,

TIMER UPDATE SERVER, TELEGRAM CLIENT

CEK TIMER REQUEST DATA

SENSOR

KIRIM REQUEST DATA KE NODE+ID_NODE

EXTRACT DATASAVE TO DATABASE, PLOT TO

GRAPH

CEK TIMER UPDATE SERVER

KIRIM PAKET DATA KE SERVER+ID_LOKASI

CEK DATA SERIAL XBEE

N

N

N

Y

Y

Y

Gambar 6. Flow chart program RPi2

Header ‘A’data_PH data_DO ‘B’ data_Cond ‘C’ data_Temp TailnodeID

Header = 1 byte data karakter ‘@’

nodeID = 1 byte data unsign integer: 1,2,3,dst

data_PH, data_DO, data_Cond, data_Temp = n byte data string data

Identifier : ‘A’,’B’,’C’,’D’ = 1 byte data char type

Tail = 1 byte data karakter ‘#’

IDlokasi

IDlokasi = 1 byte data unsign integer: 1,2,3,dst

Gambar 7. File protokol pengiriman paket data dari

RPI2 ke server

RPi 2 board mempunyai peranan penting dalam

sistem ini karena difungsikan sebagai gateway ke

jaringan internet. RPi 2 board dapat di remote dari

luar menggunakan layanan waeved yang sudah

ter-install di RPi2. Data dari master akan

dikirimkan ke server dengan ID lokasi yang

berbeda seperti pada Gambar 7. Dengan

konfigurasi seperti ini akan sangat memungkinkan

dalam expansi berbagai titik lokasi untuk

memonitor kualitas air tambak udang. Selain itu

RPi 2 juga dapat memberikan report data kualitas

air melalui Telegram Messenger yang ter-install

pada smartphone melalui bot dengan alamat bot

@wqmppet. Semua program di RPi 2 dibuat

dengan menggunakan python 2.7.

2.3 Web server

Sistem online monitoring ini didesain agar data-

data sensor untuk setiap titik pengamatan dapat

dimonitor secara online melalui website

dimanapun user berapa selama terkoneksi dengan

internet baik itu melalui laptop, PC ataupun

perangkat ponsel. Web server mempunyai tugas

untuk menampilkan data-data sensor melalui web

client dan menyimpan data-data sensor dalam

sistem database, sehingga data-data tersebut dapat

ter-record dengan baik dari waktu ke waktu.

Sistem manajemen database ini sangat diperlukan

untuk pengolahan data baik itu untuk

menampilkan data dalam grafik, melihat record

data-data pada waktu yang lampau. Dalam sistem

ini database yang digunakan adalah mySQL.

Untuk melakukan query (insert, update, delete,

dll.) terhadap database mySQL digunakan bahasa

pemrograman berbasis web yaitu PHP. Disain

tampilan dari website sistem online monitoring ini

menggunakan komponen utama Bootstrap. Disain

website dengan bootstrap akan memudahkan

dalam membuat tampilan website yang akan

menyesuaikan dengan ukuran layar dari web

client atau browser yang digunakan baik itu di

laptop, PC ataupun di ponsel. Web server dalam

sistem ini didisain dengan beberapa fitur yaitu

menampilkan data dalam bentuk grafik dan tabel,

export data dalam bentuk excel, image dan pdf.

Selain itu web server juga didesain memiliki user

access management sehingga antara user satu

dengan yang lain akan memiliki hak akses yang

berbeda-beda.

Gambar 8. Lokasi node sensor di pulau Bangka dan

server di Bandung

3. Hasil dan diskusi

Sistem ini telah diterapkan untuk mengukur

parameter kualitas air dari budidaya udang yang

terletak di pulau Bangka, dan database server

terletak di Bandung, Jawa Barat. Seperti dapat

dilihat pada Gambar 8, node sensor dipasang di

tengah tambak udang, menggunakan 50 Watt

panel surya sebagai sumber listrik. Master

ditempatkan di sisi kolam dalam 20 meter jarak

dari node sensor. Sejak instalasi pertama pada

bulan November 2015, sistem telah terus-menerus

mengirimkan data ke server tanpa gangguan

lainnya yang signifikan, kecuali selama masa

pemeliharaan. Ini berarti bahwa sistem telah

membuktikan diri cocok untuk jangka panjang,

pemantauan aplikasi luar ruangan. Pada Gambar 9,

dapat dilihat tampilan website data kualitas air

yang diperbarui setiap interval 10 menit.

Informasi ini dapat diakses oleh publik dari situs

web http://www.ppet.lipi.go.id/water/home.php,

Node Sensor

Master

Server

Online Monitoring Kualitas Air pada Budidaya Udang Berbasis..... : Y.Y. Maulana, G. Wiranto, D. Kurniawan 85

namun, untuk tampilan sejarah dan grafis dari

data, membutuhkan akses login ke dalam sistem.

Selain itu data pada aplikasi telepon seluler juga

diperbarui setiap 10 menit. Beberapa nomor

ponsel ini dipilih milik manajemen bisnis

budidaya untuk menerima informasi dari

parameter kualitas air.

Pada Gambar 10, tampilan grafis data parameter

kualitas air ditunjukkan, dengan jangka waktu 24

jam untuk parameter DO, pH, conductivity dan

temperatur. diambil pada tanggal 13 Januari 2017.

Hal ini dapat dilihat bahwa nilai DO, pH,

conductivity dan temperatur keadaannya normal.

Nilai optimal untuk budidaya udang adalah DO (4

– 7,5 ppm), pH (6,5 – 8) dan Suhu (25 – 310 C).

Data-data sensor ini juga dikirimkan ke Telegram

Messenger Notification seperti yang terlihat pada

Gambar 11.

Gambar 9. Screen shot dari tampilan website

Gambar 10.Tampilan grafis dari parameter DO, pH, conductivity dan temperatur


Gambar 11. Notifikasi data dengan Telegram

Messenger Notification

4. Kesimpulan

Dalam tulisan ini, desain dan realisasi sistem

online monitoring kualitas air berbasis jaringan

WSN dan IoT telah dijelaskan. Sistem ini telah

diterapkan untuk memantau parameter DO, pH,

conductivity dan temperatur di salah satu pusat

budidaya udang. data yang dikumpulkan dari

pengukuran sensor di setiap budidaya dapat

dimonitor secara online melalui website (laptop,

PC ataupun perangkat ponsel). Sistem yang

terintegrasi ini merupakan pengembangkan dari

sistem online monitoring yang menggunakan

teknologi IoT, perangkat yang support IoT adalah

Raspberry Pi board dengan harga terjangkau atau

murah. Di masa depan, diharapkan semacam

sistem monitoring secara online dapat diterapkan

di semua pusat budidaya udang di Indonesia. Data

kualitas air yang dikumpulkan dari masing-

masing pusat budidaya kemudian dapat

diintegrasikan dengan informasi lain seperti

sumber daya air, bisnis dan informasi geografis,

sehingga database akan berfungsi sebagai alat

pendukung pemberi keputusan untuk pengelolaan

industri budidaya.

Ucapan terima kasih

Karya ini secara finansial didukung oleh LIPI di

bawah skema Kegiatan Pemanfaatan Iptekda LIPI

2015.

Daftar Pustaka

[1] J.J. Hernandez, L.P. Fernandez, L.A. Vargas,

J.A. Ochoa, and J.F. Trinidad, “Water quality

assessment in shrimp culture using analytical

hierarchical process”, Ecological indicators, Vol.

29, June 2013, pp. 148 – 158.

[2] R.C. Summerfelt, “Water quality considerations

for aquaculture”,

http://truchasdelarcoiris.com/pdf/06.pdf,

accessed on Dec. 31, 2014.

[3] S.B. Basavaraddi, H. Kousar, and E.T. Puttaiah.

"Dissolved oxygen concentration - a remarkable

indicator of ground water pollution in and

around Tiptur town, Tumkur District, Karnataka,

India," Bull. Env., PHarm. & Life Sci, Vol. 1,

iss 3, February 2012, pp. 48-54.

[4] Monitoring water quality, Volunteer stream

monitoring: A methods manual,

http://southcenters.osu.edu/sites/southc/files/site

-library/site-

images/WaterQualityConsiderations.pdf,

accessed on Dec 01, 2015.

[5] D. Inbakandan, R. Rajasree, L.S. Abraham, V.G.

Kumar, N. Manoharan, R. Venkatesan, and and

S.A. Khan, “Aquaculture informatics:

Integration of information technology and

aquaculture in India”, Int. J. Appl. Bioeng., Vol.

13 No. 1, 2009, pp. 35 – 42.

[6] M. Seneviratne, A Practical Approach to Water

Conservation for Commercial and Industrial

Facilities. Oxford, UK.

[7] Sridharan, S., Water Quality Monitoring

System Using Wireless Sensor Network.

International Journal of Electronic

Communications Engineering Advanced

Research, 3, 2014, pp. 399-402.

[8] Boonsong, W. and Ismail, W. Wireless

Monitoring of Household Electrical Power

Meter Using Embedded RFID with Wireless

Sensor Network Platform. International Journal

of Distributed Sensor Networks, Article ID:

876914, 2014.

[9] Hong, J.; Zhu, Q.; Xiao, J. Design and

Realization of Wireless Sensor Network

Gateway Based on ZigBee and GPRS. 2009 2nd

International Conference on Information and

Computing Science, Manchester, UK, 2009, pp.

196–199.

[10] Getting Started with Zigbee and IEEE 802.15.4,

Daintree Networks Inc, 2004.

[11] N.S. Haron, M.K. Muhamad, I. A. Aziz, and M.

Mehat, “Remote water quality monitoring

system using wireless sensors”, Proc. 8th

WSEAS Int. Conf. Elect., Hard, Wi. Opt.

Comm., 2009, pp. 148 – 154.

[12] Santoshkumar and V. Hiremath, “Design and

development of wireless sensor network system

to monitor parameters influenching fresh water

fishes”, Int. J. Comp. Sci. Eng., Vol. 4, No. 6,

2012, pp. 1096 – 1103.

[13] R. Fantacci, T. Pecorella, R. Viti, and C. Carlini,

“A network architecture solution for efficient

IOT WSN backhauling: challenges and

opportunities,”IEEE Wireless Communications,

Vol. 21 No.4, 2001, pp.113–119.


Sistem Informasi pada Monitoring Gempa Bumi Jisview

dan Penentuan Potensi Tsunami Menggunakan Duration

Rupture

Information System on Jisview Earthquake Monitoring and

Tsunami Potential Determination using Duration Rupture

Wiko Setyonegoro, Januar Arifin, Thomas Hardy Pusat Penelitian dan Pengembangan BMKG, Jl. Angkasa I No.2 Kemayoran Jakarta Pusat 10720


________________________________________________________________________________

Abstract

Information systems in the earthquake and tsunami monitoring is required to provide accurate information

regarding the occurrence of the earthquake source mechanism parameters. Development is done by dividing the

segment level seismic activity for the local velocity model in Sumatra, Java, Bali, Sulawesi and Papua. The velocity

model is useful for determining the accuracy of the parameter magnitude, coordinates, depth and time of occurrence of

earthquakes. Some of the latest development goals, including the installation of upgrading Jisview result in earthquake

recording station BMKG placed throughout Indonesia (UPT), then clustering in the data processing waveform into

several segments for the purpose of monitoring the efficiency and accuracy of waveform data download. Do also

compile on some supporting software such as: Azmtak, VB 6.0, SQLyog, M Visual C ++, Matlab, 7.8, MapWinGis,

Active Control, Map Object 2.2, Data Dynamics Active Report, MySql connector odbc, media dissemination as

installation design user friendly easy to operate staff monitoring earthquakes. Furthermore, validated the accuracy of

the monitoring system of earthquake and tsunami accurate determination of potential through Tdur, Td and T50x at the

Center for BMKG. The development of an integrated, in strengthening the development of earthquake monitoring

system. Output of earthquake parameter information to be released in near real-time is coordinates, time, magnitude

(Mw), depth, strike, dip and slip, while the output potential of tsunami information in the release is, Td, Tdur, T50x, Td

* Tdur and Td * T50x.

Keywords: monitoring earthquakes, jisview, determination of potential tsunami, the duration of the rupture

Abstrak

Sistem monitoring gempa bumi dan tsunami diperlukan untuk memberikan informasi yang akurat mengenai

parameter mekanisme sumber terjadinya gempa bumi. Pengembangan yang dilakukan menurut pembagian segmen

tingkat aktivitas seismik untuk model kecepatan lokal di Sumatra, Jawa, Bali, Sulawesi dan Papua. Model kecepatan ini

bermanfaat untuk keakurasian penentuan parameter magnitude, koordinat, kedalaman dan waktu terjadinya gempa

bumi. Beberapa tujuan pengembangan terbaru, diantaranya instalasi hasil upgrading Jisview di stasiun pencatat gempa

bumi BMKG yang ditempatkan di seluruh Indonesia (UPT), kemudian clustering pada processing data waveform

menjadi beberapa segmen monitoring untuk tujuan efisiensi dan akurasi pengunduhan data waveform. Dilakukan juga

kompilasi pada beberapa software pendukung seperti : Azmtak, VB 6.0, SQLyog, M Visual C++, Matlab, 7.8,

MapWinGis, Active Control, Map Object 2.2, Data Dinamic Active Report, MySql connector odbc, media

dissemination sebagai desain instalasi user friendly yang mudah dioperasikan staf monitoring gempa bumi. Lebih jauh,

dilakukan validasi akurasi sistem monitoring gempa bumi dan penentuan potensi tsunami yang akurat melalui Tdur, Td

dan T50x di Puslitbang BMKG. Pengembangan tersebut saling terintegrasi dalam penguatan pengembangan sistem

monitoring gempa bumi. Output dari informasi parameter gempa bumi yang di rilis secara near real-time adalah

koordinat, waktu, magnitudo (Mw), kedalaman, strike, dip dan slip, sedangkan output informasi potensi tsunami yang

di rilis adalah Td, Tdur, T50x, Td*Tdur dan Td*T50x.

Kata kunci: monitoring gempa bumi, jisview, penentuan potensi tsunami, durasi rupture

_______________________________________________________________________________________

1. 1Pendahuluan

Sistem informasi pada monitoring gempa bumi

Received: 7 June 2016; Revised: 18 January 2017; Accepted: 28

December 2016; Published Online: 22 February 2017 ©2016 INKOM 2016/16-NO465

DOI:http://dx.doi.org/10.14203/j.inkom.465

Jisview digunakan untuk menggambarkan

informasi gempabumi secara near realtime yang

berpotensi menimbulkan kerusakan dan

bangunan, infrastruktur vital dan berbagai

fasilitas umum [8]. Telah dilakukan

pengembangan sistem monitoring gempa bumi


pada tahun 2013, pada tahun ini dibangun sistem

monitoring gempa bumi dengan penentuan

parameter gempa bumi dan mekanisme sumber

gempa bumi secara real time dan otomatis, dan

pada tahun 2014 dilakukan upgrading fungsi-

fungsi penting pada sistem [9].

Gambar 1. Fitur sistem informasi dari monitoring

gempa bumi Jisview

Pada tahun 2015, dilanjutkan dengan

pengembangan PC Cluster (server) di Lab.

Puslitbang Geofisika BMKG dengan tujuan

untuk melakukan pembagian pemrosesan data

atau mempersempit lokasi stasiun penerima

dalam mengolah sinyal hingga diperoleh sinyal

yang lebih presisi. Melalui beberapa

pengembangan versi sebelumnya Jisview terdiri

dari beberapa fitur penting dalam memberikan

informasi gempa bumi, diantaranya:

Auto/Manual Locating Hypoinverse 2000. Model

Kecepatan : IASP91. Akuisisi data melalui fitur

real time SEEDLINK pada JISSTREAM

disimpan dalam bentuk file binary sesuai channel

dan waktu datanya (Gambar 1). Perhitungan

focal mechanism dan Plotting bola fokus

Menggunakan MODUL DASAR WINAZMTAK

1.0. Derivator : Model Gutenberg & Richter,

Model Wald dan Model Lepolt Linkimer.

INTEGrator : Velocity Displacement. Fitur

untuk mengkonversi atau menyimpan data

waveform sensor tunggal tiga komponen ke

dalam format DIMAS agar dapat dianalisa

melalui software analisa single station

WGSNPlot. Azmtak, VB 6.0, SQLyog, M Visual

C++, Matlab, 7.8, MapWinGis, Active Control,

Map Object 2.2, Data Dinamic Active Report,

MySql connector odbc. Butterworth filter

(reguler & zero phase filter) : FFT.

Pada Gambar 2 ditampilkan akses data yang

terhubung ke sistem monitoring gempa bumi

Jisview mencakup stasiun pencatat gempa bumi

dari hampir di seluruh dunia. Fitur ini berfungsi

untuk melakukan request data sinyal maupun

instrumen respon ke server Arclink BMKG;159

stasiun, GFZ (Germany);1246 dan IRIS/USGS;

339 stasiun. Dengan total akses data real time

yang terhubung pada sistem monitoring Jisview

hingga 1744 sensor gempa bumi (Gambar 3).

Gambar 2. Stasiun sensor pencatat kejadian gempa bumi yang terhubung pada Jisview melalui server arclink di Ina-

TEWS BMKG sebanyak 1744 stasiun/ sensor.

Sistem Informasi pada Monitoring Gempa Bumi Jisview........ : W.Setyonegoro, J. Arifin, T. Hardy 89

Gambar 3. Alur akses data near real time pada sistem monitoring gempa bumi Jisview.

1.1 Sistem informasi penentuan potensi

tsunami menggunakan duration rupture

Aplikasi lainnya pada kegiatan tahun 2015 ini

adalah sistem informasi penentuan potensi

tsunami T-dur, Td dan T50x. Peringatan dini

tsunami yang cepat, tepat dan akurat sangat

berpengaruh terhadap usaha mitigasi bahaya

tsunami. Pada tahun 2012, telah dilakukan

rancang desain perangkat lunak info dini tsunami

dengan metode durasi rupture (Tdur) [7], periode

dominan (Td) dan T50Ex. Pada tahun 2013,

Puslitbang BMKG telah melakukan kajian hasil

monitoring peringatan dini tsunami dengan

menggunakan metode durasi rupture (Tdur),

periode dominan (Td) dan T50Ex [21]. Tahun

2014, dilakukan kajian dan evaluasi kehandalan

sistem peringatan dini tsunami dengan metode

yang telah dikembangkan [22].

Untuk historis pengembangan penentuan potensi

tsunami dengan T-Dur, pada tahun 2012,

Puslitbang telah dibuat script program aplikasi

penentuan potensi tsunami menggunakan

perhitungan Tdur, Td Dan T50Ex. Program

penentuan potensi tsunami juga telah diuji secara

offline dengan beberapa gempa bumi yang

berpotensi tsunami [17], yang ditunjukkan

dengan nilai parameter yang sesuai dengan

kriteria perhitungan Tdur, Td dan T50Ex.

Pada tahun 2013, Puslitbang BMKG telah

mengembangkan program aplikasi penentuan

potensi tsunami menggunakan perhitungan Tdur,

Td dan T50Ex dengan data real time waveform

dari stasiun pengamatan yang masuk jaringan

Ina-TEWS. Aplikasi penentuan potensi secara

manual juga telah dibuat supaya bisa dilakukan

perhitungan manual terhadap gempa bumi-gempa

bumi yang sudah terjadi. Hasil penelitian

menunjukkan dari 81 kejadian gempa bumi pada

tahun 2013 yang sudah dihitung oleh aplikasi

peringatan potensi tsunami secara real time,

memberikan hasil 97.53% konsisten (79

kejadian) dengan pengujian perbandingan

menggunakan simulasi tsunami lainnya [23],

yaitu parameter dibawah kriteria potensi tsunami,

dan kondisi sebenarnya tidak terjadi tsunami [6].

Dari hasil ujicoba terhadap 171 kejadian gempa

bumi secara manual, dapat dilihat bahwa aplikasi

memberikan hasil 96.5% (166 kejadian)

konsisten, yaitu parameter dibawah kriteria

potensi tsunami, dan kondisi sebenarnya juga

tidak terjadi tsunami. Dari uji statistik terhadap

hasil ujicoba secara manual maupun real time

dapat dilihat bahwa parameter periode dominan

(Td), Tdur * Td, dan Td * T50Ex lebih konsisten

dibandingkan parameter Tdur, dan T50Ex [5].

1.2 Visi pencapaian dan hasil pengembangan

terbaru

Visi pengembangan sistem monitoring gempa

bumi Jisview secara garis besar adalah sebagai

berikut :

1. Dikembangkan sistem yang membantu

operasional monitoring dan analisa gempa

bumi.

2. Automatic dan Manual Picking (QC) sinyal.

3. All-In Processing.

a. Input : Data waveform.

b. Output : Informasi Focal Mechanism

dan magnitudo.

c. Advance Output : Informasi dini gempa

bumi.

4. Menyediakan akses real-time dan archiving


data waveform dari jaringan monitoring

gempa bumi.

5. Mampu mendiseminasikan informasi gempa

bumi ke masyarakat (Twitter & Whatsapp

application).

6. Ringan, portable, dapat diinstall dimana saja.

7. User Friendly (Mudah dioperasikan).

8. Mampu memanfaatkan jaringan publik

(internet).

Dalam mendukung pencapaian visi tersebut

maka dilakukan penambahan jaringan monitoring

gempa bumi di mini regional BMKG sebagai

integrasi informasi yang lengkap dari stasiun

gempa bumi di daerah. Juga dilakukan instalasi

PC Cluster di Lab Puslitbang Bidang Geofisika.

Pada tahap ini membentuk jaringan PC Cluster

pada Sistem Monitoring Gempa bumi untuk

dapat melakukan pembagian pemrosesan data

atau memfokuskan lokasi stasiun penerima dalam

mengolah sinyal, hingga diperoleh sinyal yang

lebih presisi. Informasi gempa bumi digunakan

untuk menggambarkan informasi gempa bumi

secara real time yang berpotensi menimbulkan

kerusakan dan bangunan, infrastruktur vital dan

berbagai fasilitas umum. Telah dilakukan

pengembangan sistem monitoring gempa bumi

pada tahun 2013, pada tahun ini dibangun sistem

monitoring gempa bumi dengan penentuan

parameter gempa bumi dan mekanisme sumber

gempa bumi secara realtime dan otomatis, dan

pada tahun 2014 dilakukan upgrading fungsi-

fungsi penting pada sistem.

Fokus pengembangan fungsi-fungsi Jisview akan

dititik beratkan pada pengembangan model

kecepatan. Ada beberapa software untuk

menentukan model kecepatan, diantaranya :

memakai tomografi, dari data waveform cross

corelasi, hasilnya akan lebih baik daripada hasil

yang ada selama ini, yaitu picking-nya yang baik

hanya P nya saja. Dapat dilakukan juga dengan

memakai receiver function. Tomografi

menggunakan katalog dapat dilakukan, akan

tetapi untuk cross corelasi belum bisa dilakukan.

Receiver function dapat dilakukan 1D dulu dan

lebih jauh untuk 2D [2]. Model kecepatan ini

yang nantinya akan dilakukan ujicoba sebagai

hasil pengembangan Puslitbang BMKG dan

STMKG. Sebelum dirilis tentunya akan melalui

tahapan validasi dengan model kecepatan lainnya

yang telah publih terlebih dahulu, seperti IASP.

Pada tahun 2015 ini telah dihasilkan model

kecepatan berdasarkan pembagian segmen di

beberapa lokasi di Indonesia seperti di Sumatra

Utara, Sumatra Barat, Jawa Tengah, Bali, Banda

dan Sulawesi [3].

2. Tujuan penelitian

Tujuan dari penelitian ini adalah mengembangan

fitur sistem monitoring gempa bumi dan tsunami

melalui validasi pengolahan model kecepatan

pada Jisview serta validasi penentuan Potensi

Tsunami menggunakan Tdur, Td dan T50x.

3. Metode

Berikut adalah beberapa metode yang

dikembangkan pada sistem monitoring gempa

bumi Jisview. Metode yang digunakan dalam

penentuan model kecepatan adalah metode

inversi. Proses inversi adalah proses pengolahan

data yang melibatkan teknik penyelesaian

matematika dan statistik untuk mendapatkan

parameter fisis batuan dari data observasi. Salah

satu metode solusi inversi adalah model coupled

hypocenter velocity. Untuk mendapatkan solusi

model coupled hypocenter velocity, digunakan

program velest 3.3 yang diperkenalkan oleh

Kissling & dkk. [10]. Prinsip metode ini adalah

melakukan inversi secara simultan terhadap

model kecepatan dan hiposenter yang dibatasi

pada fase pertama waktu tiba gelombang P (P-

wave first arriving phases).

Ada empat file input yang diperlukan untuk

melakukan pengolahan data dengan

menggunakan velest 3.3, yaitu data gempa bumi,

inisial model kecepatan gelombang P 1-D, dan

kontrol parameter. Dalam pengamatan waktu tiba

gelombang dinyatakan dalam suatu formula

, dengan koordinat stasiun,

parameter hiposenter termasuk origin time, dan

model struktur kecepatan. Fungsi adalah

fungsi non-linear dari parameter dan yang

tidak diketahui sebelumnya. Untuk menentukan

waktu tiba teoritis terhadap setiap pasangan

stasiun, diterapkan teori penjalaran gelombang

dengan inisial model struktur kecepatan.

Hubungan linear antara waktu residual

dengan parameter dan m yang tidak

diketahui, dinyatakan sebagai berikut.

Formula di atas merupakan persamaan model

coupled hypocenter velocity[1], dengan sebagai

jumlah parameter model kecepatan dan sebagai

kesalahan (error) dari waktu penjalaran,

kesalahan penggunaan model kecepatan,

kesalahan pada koordinat hiposenter serta

(1)


kesalahan pada pendekatan linear yang

digunakan. Hasilnya adalah nilai yang baru

akan dibandingkan misfit-nya dengan

sebelumnya untuk satu iterasi. Dalam setiap

iterasinya tercantum nilai RMS antara dan

. Gambar 2 menunjukkan diagram alur proses

pengolahan data dengan menggunakan velest 3.3.

3.1 Melakukan kompilasi software Jisview

Kompilasi software ini mendukung

pengembangan dari segi teknis pemrograman,

dimana dengan melakukan kompilasi program

yang support untuk dilakukan instalasi pada versi

Windows yang diperlukan maka akan semakin

mudah dilakukan peningkatan masukkan dan

brain storming dari staf operator monitoring

mengenai kesalahan dan kekurangan yang wajib

untuk ditingkatkan pada pengembangan sistem

monitoring gempa bumi. Kompilasi pada

beberapa software pendukung Jisview dilakukan

pada beberapa software pendukung Jisview,

seperti: Azmtak, VB 6.0, SQLyog, M Visual

C++, Matlab, 7.8, MapWinGis, Active Control,

Map Object 2.2, Data Dinamic Active Report,

MySql connector odbc, media dissemination.

3.2 Upgrading Jisview di stasiun, dalam

meningkatkan jumlah analisa sinyal.

Pada tahap ini membentuk jaringan PC Cluster

pada Sistem Monitoring Gempa bumi dengan

tujuan untuk melakukan pembagian monitoring

dan pemrosesan data atau membagi lokasi stasiun

penerima dalam mengolah sinyal suatu event

gempa bumi, hingga diperoleh sinyal yang lebih

terklasifikasi berdasarkan segmentasi tingkat

aktivitas seismiknya. Untuk clustering pada

wilayah monitoring gempa bumi di lab geofisika

Puslitbang BMKG. Di lab. geofisika dilakukan

pembagian wilayah monitoring gempa bumi.

Pengklasifikasian ini dilakukan berdasarkan

segmen area dengan tingkat aktivitas seismic

yang berbeda.

3.3 Validasi akurasi sistem informasi gempa

bumi Jisview

Beberapa instansi perilis informasi gempa bumi

dan tsunami seperti USGS, NOAA, IRIS, dan

BMKG (Operasional) akan mengeluarkan atau

merilis parameter-parameter gempa bumi ketika

tercatat suatu kejadian gempa bumi. Maka, di

Puslitbang BMKG telah dikembangkan sistem

informasi hasil monitoring gempa bumi Jisview.

Sebelum Jisview dikukuhkan menjadi sistem

informasi dengan akurasi yang tepat maka

diperlukan validasi parameter outputnya. Untuk

menunjang proses validasi tersebut maka

dilakukan pengolahan data gempa dari beberapa

even gempa yang pernah terjadi. Dari hasil

pengolahan data gempa tersebut dapat divalidasi

dengan beberapa instansi yang telah lama malang

melintang, dan dapat kita gunakan untuk

melakukan karakterisasi penyebab dari gempa

tersebut.

Penelitian ini dilakukan dengan pengumpulan

event gempa yang akan dijadikan bahan validasi.

Katalog event gempa tersebut di peroleh dari

GFZ, setelah diseleksi dan mendapatkan

beberapa event gempa selanjutnya dilakukan

pengolahan gempa dengan menggunakan Linuh.

Secara default, model kecepatan yang digunakan

pada software ini adalah IASP91. Akan tetapi,

dapat dilakukan perubahan pada model kecepatan

tersebut dengan cara merubah pada option

pengaturannya. Sehingga dapat digunakan

beberapa model kecepatan sebagai bahan

perbandingan.

Linuh itu sendiri merupakan software yang

mengintegrasikan akses data online, pengolahan

sinyal seismik, komputasi dan manajemen dari

data waktu kejadian, lokasi hypocenter dan focal

mechanism gempa bumi dalam satualur proses.

Sistem Jisview ini didesain untuk memungkinkan

pemuatan data archive waveform secara online

dengan menggunakan protocol Arclink. Sistem

mampu mengakses server layanan data seismik

online yang disediakan oleh institusi BMKG,

GFZ dan IRIS/USGS.

3.4 Penentuan potensi tsunami dengan T-dur

Validasi sistem penentuan secara online

dilakukan dengan mengamati kejadain gempa

bumi selama tahun 2014, dengan melihat web

aplikasi potensi tsunami dengan alamat

http://172.19.0.13/www seperti yang ditunjukkan

pada Gambar 4.


Gambar 4. Tampilan aplikasi penentuan potensi tsunami menggunakan Tdur, Td dan T50Ex secara real time

Tercatat 624 kejadian gempa bumi di tahun 2014

yang dihitung oleh sistem dan hasilnya 99.19%

(619 kejadian) [4], [20]. Sesuai dengan kejadian

sebenarnya, artinya sistem menyatakan tidak

berpotensi tsunami dan tidak ada kejadian

tsunami juga di lapangan. Sementara itu 0.81%

(5 kejadian) yang tidak tepat [23], artinya sistem

menyatakan gempa bumi tersebut berpotensi

tsunami, tetapi kenyataan tidak terjadi tsunami.

Dari 5 kejadian gempa bumi tersebut, ternyata 4

kejadian merupakan ghost event berdasar data

dari InaTEWS. Ujicoba secara offline terhadap

28 kejadian tsunami yang terjadi di Indonesia

maupun di luar negeri yang tahun 1994 – 2012

(Setyonegoro, W and Masturyono, 2013), untuk

kejadian tsunami dengan tinggi gelombang < 1

meter diperoleh ketepatan 72.7% dan untuk

kejadian tsunami dengan tinggi gelombang > 1

meter diperoleh ketepatan 58.82%.

Pada Gambar 4 ditampilkan sistem penentuan

potensi tsunami menggunakan parameter

duration rupture (Tdur), periode dominan (Td),

T50Ex, Td * Tdur, Td*T50Ex cukup konsisten

untuk penentuan potensi tsunami secara real

time. Jika nanti dioperasionalkan perlu ada sistem

manual yang bisa memvalidasi jika ada data

sinyal yang kualitasnya kurang bagus untuk

diolah [11]. Software perhitungan Td, Tdur dan

T50Ex merupakan program komputer yang

berfungsi untuk mengestimasi parameter sumber

gempa bumi; durasi rupture (Tdur) [11], periode

dominan (Td), durasi lebih dari 50 detik (T50Ex)

dari gelombang P yang terekam oleh stasiun

seismik lokal dengan menggunakan metode

prosedur langsung.

Software ini juga mengkomputasi perkalian

antara Tdur dengan Td (Tdur * Td) dan perkalian

antara Td dengan T50Ex (Td * T50Ex). Kedua

hasil perkalian ini memberikan deskripsi tentang

luas rupture. Oleh karena itu, hasil perkalian ini

menjadi indikator kuat terjadi/tidaknya tsunami.

Jika terdapat perbedaan yang signifikan antara

kedua hasil perkalian tersebut, maka perkalian

antara T50Ex dengan Td yang diprioritaskan

untuk digunakan sebagai bahan pengambilan

keputusan apakah gempa bumi tersebut

menimbulkan tsunami atau tidak. Indikator

potensi tsunami dari masing-masing parameter

adalah jika: Tdur > 65, Td > 10, T50Ex > 1, Tdur

* Td > 650, Td * T50Ex > 10.

Aplikasi di-setting untuk gempa bumi dengan

magnitude > 4, untuk wilayah di Indonesia.

Warning potensi tsunami diberikan jika

parameter Td*T50Ex > 10 dan Td*Tdur > 650,

artinya keduanya melewati threshold. Parameter

yang dialirkan dari aplikasi Seiscomp3 adalah

parameter awal atau automatic location yang

didapat 3 menit setelah kejadian gempa bumi.

Waktu yang dibutuhkan untuk transfer data,

membaca sinyal (waveform), picking gelombang

P, dan perhitungan parameter potensi sekitar


1 menit, jadi total waktu yang dibutuhkan sekitar

4-5 menit.

4. Hasil dan pembahasan

4.1 Model kecepatan pada sistem monitoring

gempa bumi Jisview

Pada tahun 2015 ini telah dihasilkan model

kecepatan berdasarkan pembagian segmen di

beberapa lokasi di Indonesia seperti di Sumatra

Utara, Sumatra Barat, Jawa Tengah, Bali, Banda

dan Sulawesi. Ditampilkan hasil model kecepatan

wilayah Banda. Model kecepatan baru hasil

inversi dengan menggunakan model coupled

hypocenter velocity ini memiliki nilai yang

berbeda dengan inisial model kecepatan yang

digunakan. Pada kedalaman kurang dari 35 km,

model kecepatan hasil inversi sedikit lebih cepat

dibandingkan dengan model kecepatan inisial.

Sedangkan pada rentang kedalaman 35 km - 140

km, model kecepatan hasil inversi lebih lambat

daripada model kecepatan inisial. Kemudian pada

kedalaman 140 km – 271 km, model kecepatan

hasil inversi hampir sama besarnya dengan model

kecepatan inisial.

Perbedaan antara model kecepatan inisial dengan

model kecepatan hasil inversi menunjukkan

bahwa setiap wilayah memiliki model kecepatan

gelombang P 1D yang berbeda sesuai dengan

kondisi geologi bawah permukaan. Model

kecepatan hasil inversi dalam penelitian ini

menunjukkan bahwa semakin kedalam maka

semakin besar pula kecepatan gelombang P. Hal

ini menunjukkan bahwa semakin kedalam lapisan

penyusun bumi semakin rapat. Selain

menghasilkan model kecepatan baru, coupled

hypocenter velocity juga digunakan untuk

merelokasi hiposenter.

4.2 Analisa dari kompilasi program

Kompilasi pada beberapa software pendukung

Jisview telah dilakukan pada beberapa software

pendukung Jisview, seperti : Azmtak, VB 6.0,

SQLyog, M Visual C++, Matlab, 7.8,

MapWinGis, Active Control, Map Object 2.2,

Data Dynamic Active Report, MySql connector

odbc, media dissemination. Sistem Jisview telah

support untuk dilakukan instalasi pada windows

8 dan windows 10 untuk 64 bit. Hal ini penting

dilakukan dimana interaktif pengembangan dari

installer Jisview sangat diperlukan dalam

mengikuti kemajuan sistem operasi Windows.

4.3 Upgrading Jisview di stasiun dalam

mengklasifikasi monitoring dan analisa

sinyal

Versi sistem monitoring Jisview sebelumnya,

seringkali terjadi over quota akibat penerimaan

jumlah bandwidth dan merupakan permasalahan

utama sistem monitoring gempa bumi Jisview.

Akses data berupa sinyal gempa bumi dari server

BMKG sebenarnya dapat memiliki koneksi

hanya ke 1 PC monitoring Jisview saja di BMKG

pusat. Akan tetapi suplai sinyal dari stasiun

monitoring gempa bumi dari hampir seluruh area

di seluruh dunia menyebabkan kinerja streaming

sinyal yang dapat dilakukan oleh 1 (satu) PC saja

akan menurun.

Sehingga diperlukan pembagian PC dalam

monitoring gempa bumi. Diantaranya di kantor

pusat BMKG dibagi dalam 5 (lima) segmen

wilayah monitoring gempa bumi. Sementara

untuk mengoptimalkan perolehan data

monitoring, pada beberapa stasiun mini regional

BMKG daerah pun telah dilengkapi PC

monitoring gempa bumi yang diatur melakukan

monitoring gempa bumi menurut wilayah stasiun

pengamatannya. Instalasi PC monitoring pada

stasiun mini regional BMKG telah dilakukan a.l.:

Banjarnegara, Tretes, Sawahan dan Karangkates

pada kegiatan penelitian tahun 2015. Dengan

output tampilan Sistem monitoring gempa bumi

seperti pada Gambar 2.

4.4 PC Cluster menurut segmentasi aktivitas

seismik

Dilakukan pengaturan stasiun manager pada

sistem monitoring gempa bumi Jisview untuk

mengaktifkan stasiun monitoring pada tiap PC

menurut segmentasi aktivitas seismik area

masing-masing (Gambar 5).


Gambar 5. Tampilan output dari sistem monitoring gempa bumi Jisview yang ter-install di BMKG dan mini regional

BMKG

Gambar 6. Pengklasifikasian area monitoring gempa

bumi menurut segmentasi aktivitas seismiknya

Gambar 7. Aktifasi stasiun monitoring segmen

Sumatra pada stasiun manager streaming Jisview

Pembagian wilayah monitoring pada lab

geofisika Puslitbang BMKG telah dilakukan

berdasarkan segmentasi aktivitas seismik

kegempaan pada masing-masing wilayah

(Gambar 6 dan Gambar 7), sebagai berikut :

Cluster I :

• Pantai Barat Sumatra

• Pulau Sumatra

• Selat Sunda

Cluster II :

• Pulau Jawa, Bali

& Nusa Tenggara

• Subduksi Selatan

• Back ArcThrust Flores

Cluster III :

• Selat Makassar

• Pulau Sulawesi

• Sulawesi Bagian Utara

• Sulawesi Bagian Selatan

• Laut Banda Bagian Utara

Cluster IV :

• Laut Banda Bagian Selatan/Laut Arafura

• Pulau Papua

• Samudra Pasifik

4.5 Validasi sistem informasi pada monitoring

gempa bumi Jisview

Ditampilkan 6 event dari 15 validasi event

gempa yang telah dilakukan. Data sinyal dari tiap

event gempa dilakukan pengolahan dengan

menggunakan software Linuh sehingga

menghasilkan nilai-nilai parameter gempa. Data

kedua adalah data parameter gempa yang diambil

dari GFZ, ISC, dan USGS yang digunakan

sebagai data pembanding. Data hasil pengolahan

menggunakan Linuh dan data dari ketiga instansi

perilis gempa disajikan pada Gambar 8 sampai

Gambar 13 berikut ini :


IASP91 AK135F Koulakov

Lattitude -8.118 -8.118 -8.096 -8.2 -8.218 -8.194

Longtitude 117.825 117.833 117.858 117.88 117.816 117.815

Origin time 23:40:01,00 23:40:01,66 23:39:59,42 23:40:04,3 23:40:00, 23:40:01

Magnitudo 5.32(MLv) 5.33(MLv) 5.34(MLv) 5.4(Mw) 5.6 Mw 5.6 Mww

Depth(km) 19 33 68 40 22 13.5

Strike 1 86.5 123.8 216.6 121 49 124

Strike 2 237.7 225.7 119.9 226 235 234

Dip 1 16.6 3.8 54.4 26 13 15

Dip 2 75.3 89.2 80.7 82 77 85

Rake 1 117.8 168.1 -168.6 163 85 160

Rake 2 82.1 86.3 -36.1 65 91 76

JisviewParameter GFZ ISC(IPGP) USGS

Gambar 8. Data Gempa Dompu 31 Juli 2016.


Lattitude -9.719 -9.725 -9.742 -9.87 -9.87 -9.634

Longtitude 119.389 119.37 119.367 119.35 119.35 119.401

Origin time 10:02:23,49 10:02:24,44 10:02:22,83 10:02:26,2 10:02:29,00 10:02:24

Magnitudo 6.2 (Ms_BB) 6.23 (Ms_BB) 6.13 (MLv) 6.2 (Mw) 6.2 (Mw) 6.3 Mww

Depth 10 18 75 58 38 50.5

Strike 1 101.5 117.7 95.3 97 97 96

Strike 2 273.2 272.1 259.3 253 265 259

Dip 1 41.3 51.1 2.5 72 65 72

Dip 2 49 41.8 87.6 19 26 19

Rake 1 96.3 106.7 -74.1 98 95 95

Rake 2 84.5 70.4 -90.7 67 79 74

ParameterJisview

GFZ ISC(GCMT) USGS

Gambar 9. Data Gempa Sumbawa 12 Februari 2016.


Lattitude -8.375 -8.466 -8.621 -8.07 -8.198 -8.204

Longtitude 107.326 107.266 107.243 107.41 107.419 107.386

Origin time 14:45:25,94 14:45:26,81 14:45:24,19 14:45:33,7 14:45:30,0 14:45:29,0

Magnitudo 6.25(MB((Ms_BB)) 6.26(MB((Ms_BB)) 6.27 (MB(Ms_BB)) 6.0 (Mw) 6.2 (Mw) 6.1 Mww

Depth 1 17 58 61 34 45.5

Strike 1 348.6 85.8 64.9 109 108 101

Strike 2 189.7 263.6 324.1 294 300 282

Dip 1 43.8 51.6 87.5 62 64 66

Dip 2 48.1 38.5 13.2 28 26 24

Rake 1 -105.6 91.3 77.1 88 85 90

Rake 2 -75.6 88.3 169 94 101 91

ParameterJisview

GFZ ISC(IPGP) USGS

Gambar 10. Data Gempa Jawa 6 April 20016



Lattitude -9.222 -9.241 -9.308 -8.79 -8.99 -8.942

Longtitude 110.187 110.179 110.171 110.21 110.33 110.219

Origin time 11:45:21,10 11:45:21,98 11:45:19,84 11:45:25,4 11:45:23,90 11:45:23

Magnitudo 5.45(Ms_BB) 5.45(Ms_BB) 6.2(MbLg) 5.4 (Mw) 5.5 Mw 5.5 Mww

Depth 10 23 74 96 107.5 90.5

Strike 1 278.2 86.9 123.3 118 133 115

Strike 2 185.5 200.8 296.4 271 270 271

Dip 1 84.8 71 16.4 21 20 15

Dip 2 62.8 40.3 73.7 71 75 76

Rake 1 -152.7 126.3 -83.4 -63 -49 -67

Rake 2 -5.8 30.2 -91.9 -99 -104 -96

ParameterJisview

GFZ ISC(GCMT) USGS

Gambar 11. Data Gempa Jawa 11 November 2015


Lattitude -9.511 -9.509 -9.632 -9.23 -9.247 9.259

Longtitude 112.64 112.639 112.64 112.7 112.694 112.67

Origin time 07:05:05,03 07:05:07,04 07:05:03,26 7:05:09,0 7:05:08,0 7:05:10,00

Magnitudo 5.6(MLv) 5.8(Ms_BB) 5.88(Ms_BB) 5.8 (Mw) 5.9 Mw 5.9 Mww

Depth 10 36 9 62 52 52

Strike 1 23.6 289.3 31.8 17 17 15

Strike 2 282.1 184.3 272.4 128 146 139

Dip 1 74.1 33.2 62.9 57 53 47

Dip 2 55.2 80.4 46.1 61 50 59

Rake 1 -143.6 17.7 -128.9 145 126 136

Rake 2 -19.2 122 -39.2 38 52 52

ParameterJisview

GFZ ISC(IPGP) USGS

Gambar 12. Data Gempa Selatan Jawa 26 Juli 2015



Lattitude -8.451 -8.368 -8.382 8.01 -8.13 8.043

Longtitude 107.289 107.298 107.324 107.42 107.35 107.225

Origin time 20:08:27,84 20:08:30,95 20:08:30,95 20:08:35,6 20:08:34,60 20:08:31,00

Magnitudo 5.27(Ms_BB) 5.27(Ms_BB) 5.26(Ms_BB) 5.2 (Mw) 5.3 Mw 5.4 Mww

Depth 1 21 27 70 49.7 45.5

Strike 1 138.5 39.4 41.8 40 30 18

Strike 2 304.7 210.8 207.4 194 204 210

Dip 1 44.1 49.9 53 42 40 39

Dip 2 46.7 40.4 37.9 51 50 51

Rake 1 -80 95.5 98.8 110 95 81

Rake 2 -99.5 83.5 78.6 73 86 97

ParameterJisview

GFZ ISC(GCMT) USGS

Gambar 13. Data Gempa Jawa 4 September 2015.

Berikutnya adalah hubungan dari nilai kedalaman

yang dihasilkan dengan pengolahan

menggunakan Jisview dengan variasi tiga model

kecepatan dan perbandingannya dengan nilai

kedalaman dari sumber gempa yang telah dirilis

instansi. Dibawah ini merupakan tabel nilai dari

kedalaman sumber gempa bumi.

4.6 Korelasi Nilai Magnitudo

Sebelum melakukan plot magnitudo terlebih

dahulu diseragamkan tipe dari magnitudo

tersebut. Nilai dari magnitudo diseragamkan

kedalam tipe Mw atau moment magnitude.

Dibawah ini adalah tabel persamaan yang

digunakan untuk melakukan konversi nilai

magnitudo.

Tabel 1. Korelasi konversi antara beberapa skala magnitude untuk wilayah Indonesia (Asrurifak dkk, 2010)

Korelasi Konversi Jml Data

(Events)

Range Data Kesesuaian

(R2)

Mw=0.143Ms2 - 1.051Ms+7.285 3.173 4.5 ≤ Ms ≤ 8.6 93.9%

Mw =0.114mb2 - 0.556mb +5.560 978 4.9 ≤ mb ≤ 8.2 72.0%

Mw=0.787ME + 1.537 154 5.2 ≤ ME ≤ 7.3 71.2%

mb=0.125ML2 - 0.389x + 3.513 722 3.0 ≤ ML ≤ 6.2 56.1%

ML= 0.717MD + 1.003 384 3 ≤ MD ≤ 5.8 29.1%

Berdasarkan perhitungan dengan menggunakan

persamaan diatas, maka nilai dari magnitudo

yang telah dikonversi menjadi tipe moment

magnitude ditampilkan seperti pada tabel 2.

Tabel 2. Nilai magnitudo yang telah dikonversi kedalam bentuk moment magnitude

Event IASP91 AK135F Koulakov GFZ ISC USGS

1 5.6 5.6 5.6 5.4 5.6 5.6

2 6.3 6.3 6.2 6.2 6.2 6.3

3 6.3 6.3 6.3 6.0 6.2 6.1

4 5.8 5.8 6.5 5.4 5.5 5.5

5 5.8 6.0 6.0 5.8 5.9 5.9

6 5.7 5.7 5.7 5.2 5.3 5.4


Gambar 14. Grafik hubungan magnitudo dengan model kecepatan IASP91 dan GFZ

Gambar 15. Grafik hubungan magnitudo dengan model kecepatan IASP91 dan ISC

Gambar 16. Grafik hubungan magnitudo dengan model kecepatan IASP91 dan USGS

Hasil perhitungan magnitudo dengan

menggunakan model kecepatan IASP91 dengan

Nilai dari GFZ (Gambar 14) menunjukkan

koefisien determinasi yang kecil yaitu 0,4655 hal

ini disebabkan karena pada event gempa ke-9

perbedaan nilai magnitudo mencapai M1,3.

Tetapi terjadi sebaliknya pada nilai RMSE, nilai

tersebut tergolong kecil yaitu 0,353412 karena

meskipun terjadi perbedaan yang signifikan dari

keduanya tetapi variasi yang terjadi rata-rata

memiliki selisih yang kecil. Hasil perhitungan

magnitudo dengan menggunakan model

kecepatan IASP91 dengan Nilai dari ISC

(Gambar 15) menunjukkan korelasi yang kurang

sesuai. Berdasarkan nilai koefisien determinasi

tidak mencapai 0,5 disini juga terjadi anomali

pada event ke-9 nilai dari magnitudo keduanya

mempunyai selisih M1,2. Jika dilihat dari nilai

RMSE nilainya tak jauh berbeda dengan ilia

RMSE sebelumnya, bisa jadi ini disebabkan oleh

keadaan yang telah dijelaskan diatas. Hasil

perhitungan magnitudo dengan menggunakan

model kecepatan IASP91 dengan Nilai dari

USGS (Gambar 16) menunjukan hasil korelasi


yang kurang sesuai. Koefisien determinasi

memiliki nilai yang kecil 0,273. Koefisien

determinasi yang kecil menunjukkan variasi

perbedaan yang besar. Berbanding lurus dengan

nilai RMSE, nilai error RMS ini juga besar 0,428

menujukkan korelasi keduanya kurang sesuai.

4.7 Korelasi Arah Strike

Strike atau Jurus adalah arah garis yang dibentuk

dari perpotongan bidang planar dengan bidang

horizontal ditinjau dari arah utara. Arah dari

strike ini berguna untuk menentukan penyebab

terjadinya gempa atau sumber gempa. Didalam

mekanisme fokus terdapat dua arah strike, strike

utama dan strike pendukung. Dibawah ini

merupakan tabel dari arah Strike-1.

Tabel 3. Arah strike-1 sumber gempa bumi dari hasil pengolahan LINUH dan beberapa Instansi

Event IASP91 AK135F Koulakov GFZ ISC USGS

1 86.5 123.8 216.6 121 49 124

2 101.5 117.7 95.3 97 97 96

3 348.6 85.8 64.9 109 108 101

4 278.2 86.9 123.3 118 133 115

5 23.6 289.3 31.8 17 17 15

6 138.5 39.4 41.8 40 30 18

Gambar 17. Grafik arah strike-1 dari Model Kecepatan IASP91 dan GFZ.

Gambar 18. Grafik arah strike-1 dari Model Kecepatan IASP91 dan ISC


Gambar 19. Grafik arah strike-1 dari Model Kecepatan IASP91 dan USGS.

4.8 Korelasi Kedalaman

Berikutnya adalah hubungan dari nilai kedalaman

yang dihasilkan dengan pengolahan

menggunakan JISView LINUH dengan variasi

tiga model kecepatan dan perbandingannya

dengan nilai kedalaman dari sumber gempa yang

telah dirilis instansi. Perhitungan untuk

menentukan telah dibahas sebelumnya. Dibawah

ini merupakan tabel nilai dari kedalaman sumber

gempa bumi.

Tabel 4. Nilai kedalaman sumber gempa bumi dari hasil pengolahan LINUH dan beberapa Instansi

Event LINUH

GFZ ISC USGS IASP91 AK135F Koulakov

1 19 33 68 40 22 13.5

2 10 18 75 58 38 50.5

3 1 17 58 61 34 45.5

4 10 23 74 96 107.5 90.5

5 10 36 9 62 52 52

6 1 21 27 70 49.7 45.5

Gambar 20. Grafik nilai kedalaman dari Model Kecepatan IASP91 dan GFZ


Gambar 21. Grafik nilai kedalaman dari Model Kecepatan IASP91 dan ISC.

Gambar 22. Grafik nilai kedalaman dari Model Kecepatan IASP91 dan USGS.

Hubungan nilai kedalaman yang diperlihatkan

antara model kecepatan IASP91 dan GFZ

(Gambar 20) meperlihatkan hubungan yang

bagus ditunjukkan dengan nilai koefisien

determinasi yang mendekati satu. Selisih

kedalaman yang direpresentasikan keduanya

paling besar mempunyai selisih kedalaman 80

km pada salah satu event. Pada hubungan model

kecepatan IASP91 dan ISC (Gambar 21)

menunjukkan korelasi yang bagus. Nilai koefisen

determinasi menunjukkan nilai 0,9676 secara

teori dengan nilai determinasi ini menunjukkan

korelasi yang bagus. Hubungan antara model

kecepatan IASP91 dan USGS (Gambar 22)

menunjukkan nilai koefisen determinasi yang

bagus masih disekitaran 0,9. Dari ketiga korelasi

ini dapat ditarik kesimpulan awal bahwa nilai

kedalaman hasil pengolahan dengan LINUH

dengan model kecepatan IASP91 untuk

penentuan kedalaman memiliki nilai yang sesuai.

Progress report ini dilakukan untuk memvalidasi

hasil pengolahan sinyal gempa bumi dengan

software LINUH. Pengolahan sinyal tersebut

menggunakan tiga model kecepatan yaitu

IASP91. Proses validasi dilakukan dengan

membandingkan beberapa parameter hasil

pengolahan dengan LINUH dibandingkan dengan

instansi perilis gempa bumi. Parameter yang

digunakan untuk validasi antara lain, magnitudo,

kedalaman, dan arah strike.

Faktor pertama yang menyebabkan perbedaan

dalam penentuan parameter gempa bumi adalah

dari segi Subjek. Analisator sinyal atau orang

yang mengolah sinyal memiliki peran penting

disini. Peredaan dalam menentukan picking

gelombang menyebabkan perbedaan pula pada

hasil pengolahan yang dilakukan. Selain itu

pengalaman dari subyek ini sangat

diperhitungkan. Faktor yang kedua adalah

pemilihan stasiun gempa yang mencatat. Jarak


stasiun pencatat dan sumber gempa

mempengaruhi sinyal yang diterima. Dalam

pengolahan data yang dilakukan dalam penelitian

ini, pemilihan stasiun pencatat berbeda dengan

pemilihan stasiun pencatat yang dilakukan oleh

instansi seperti USGS, ISC, atau GFZ. Jadi

perbedaan yang ada dapat disebabkan oleh hal

ini. Selain itu karena perbedaan dalam pemilihan

stasiun ini juga akan menyebabkan perbedaan

dari azimuth stasiun dengan sumber gempa, hal

ini sangat mempengaruhi nilai dari focal

mechanism.

Distribusi dari stasiun pencatat gempa sebisa

mungkin dapat melingkari dari daerah gempa

tersebut. Tetapi karena keterbatasan yang ada

maka dalam penglahan sinya yang dilakukan

dalam penelitian ini tidak dapat mengkover hal

tersebut, maka dapat pula hal ini yang

menyebabkan dari kurang sesuainya hasil

pengolahan yang telah dilakukan.

Perbedaan yang terakhir adalah karena faktor

model kecepatan, dalam penelitian ini terlihat

bahwa dengan picking yang sama dan sinyal

yang sama tetapi tetap menghasilkan perbedaan

dalam nilai parameter. Model kecepatan ini

memiliki peran dalam merepresentasikan

keadaan dibawah permukaan. Untuk

mendapatkan hasil pengolahan yang paling

bagus, seharusnya digunakan model kecepatan

yang lokal.

Terjadi perbedaan dalam melakukan pengolahan

fokus dapat terjadi karena pemilihan sinyal

gempa pada stasiun yang mempunyai jarak yang

jauh dengan gempa tersebut terjadi. Karena

software LINUH ini lebih bagus ketika pemilihan

stasiun pencatat dekat dengan sumber terjadinya

gempa, ini merupakan akibat dari penggunaan

first motion ketika stasiun pencatat jauh dengan

sumber gempa maka first motion dari gelombang

gempa tersebut sudah terkena pengaruh dari

medium yang dilewati.

4.9 Validasi sistem penentuan potensi tsunami

Validasi sistem penentuan potensi tsunami untuk

gempa bumi tahun 2015 telah menghitung 662

kejadian gempa bumi M>4 di Indonesia tahun

2015. Gempa M ≥ 6 Tahun 2015 di Indonesia

(Gambar 8). Kejadian gempa bumi tahun 2015

yang berhasil dihitung oleh sistem potensi

tsunami secara real time sebanyak lebih dari 752

kejadian gempa bumi, semuanya menunjukkan

tidak ada peringatan potensi tsunami (Gambar 9).

Di beberapa hari server kadang mati sehingga

tidak terdapat hasil perhitungan potensi tsunami.

Besar dan dampak tsunami sangat terpengaruh

oleh pergeseran lantai dasar laut yang

berhubungan dengan panjang (L), lebar (W),

mean slip (D), dan kedalaman (z), dari rupture

gempa bumi. Lomax dan Michelini [6-7], telah

menemukan bahwa parameter panjang rupture

dari suatu gempa bumi merupakan parameter

yang paling dominan sebagai penyebab tsunami.

Untuk mengukur panjang rupture diperlukan

metode yang komplek dan membutuhkan waktu

komputasi yang lebih lama, sehingga tidak layak

digunakan untuk peringatan dini tsunami. Lomax

and Michelini [6-7], juga telah menemukan

hubungan antara L dan durasi rupture yang bisa

dinyatakan bahwa durasi rupture sebanding

dengan panjang rupture. Untuk mengestimasi

durasi rupture (To atau Tdur) bisa dilakukan

dengan cara menganalisis seismogram-

seismogram grup gelombang P yang dominan

dari seismogram frekuensi tinggi dari gempa

bumi, sehingga durasi rupture gempa bumi bisa

digunakan untuk peringatan dini dari tsunami

(Geist dan Yoshioka, 1996; Geist and Parsons,

2005; Olson and Allen, 2005, [15] (Gambar 4),

(Tabel 2). Parameter lain yang bisa dijadikan

parameter peringatan dini tsunami adalah periode

dominan dari gelombang P, yang merupakan

nilai puncak dari Time Domain (τc) [13]. T50

Exceedance (T50EX) juga bisa dijadikan

indikator potensi tsunami. T50Ex adalah nilai

perbandingan RMS amplitudo saat durasi rupture

(Tdur) mencapai 50-60s dengan rms amplitude

saat durasi rupture 0–25 s, [14] (Gambar 23).

Tabel 5. Data gempa bumi M ≥ 6 di Indonesia

Date Time Latitude Longitude Depth Mag TypeMag Region

27/02/2015 45:04.9 -7.39 122.51 547 6.8 Mw(mB) Flores

3/03/2015 37:32.8 -0.74 98.77 47 6.1 Mw Southern Sumatra

15/03/2015 17:17.5 -0.55 122.38 30 6 Mw(mB) Minahassa Peninsula

17/03/2015 12:30.2 1.72 126.51 64 6.2 Mw Northern Molucca Sea

28/03/2015 28:52.2 0.47 122.02 111 6 mb Minahassa Peninsula

27/07/2015 41:21.8 -2.75 138.55 51 6.9 Mw Irian Jaya


16/09/2015 40:59.5 1.92 126.57 51 6.3 Mw Northern Molucca Sea

24/09/2015 53:28.7 -0.59 131.24 13 6.3 mb Irian Jaya Region

4/11/2015 44:16.5 -8.28 124.93 23 6.4 Mw Timor Region

Tabel 6. Hasil perhitungan sistem penentuan potensi tsunami

Date Mag Region Tdur Td T50Ex Td*Tdur Td*T50Ex INFO

27/02/2015 6.8 Flores Sea 136.12 4.6 0.37 566 1.54 nT

3/03/2015 6.1 Southern Sumatra 204.36 0.62 0.03 126 0.01 nT

15/03/2015 6 Minahassa Peninsula 5.32 0.5 1.35 2 0.67 nT

17/03/2015 6.2 Northern Moluuca Sea 183.89 0.52 1.25 95 0.65 nT

28/03/2015 6 Minahassa Peninsula 157.91 0.99 9.05 156 9.04 nT

27/07/2015 6.9 Irian Jaya 4 0.12 0.79 0 0.1 nT

16/09/2015 6.3 Northern Molucca Sea 379.65 23.74 1.03 9000 24.46 T

24/09/2015 6.3 Irian Jaya Region 11.84 33.99 1.11 373 37.72 nT

4/11/2015 6.4 Timor Region 227.12 17.23 0.37 4774 6.37 nT

Gambar 17. Aplikasi sistem penentuan potensi tsunami secara manual.

Aplikasi mulai disempurnakan dengan

menggunakan sinyal masukan 3 menit awal

sinyal (waveform). Indikator potensi tsunami dari

masing-masing parameter adalah jika:

- Tdur > 65

- Tdur * Td > 650

- Td > 10

- Td * T50Ex > 10.

- T50Ex > 1

• Potensi tsunami dikeluarkan jika kedua

parameter: Tdur*Td > 650 dan Td*T50Ex >

10


5. Kesimpulan

Kesimpulan dari pengembangan sistem

monitoring gempa bumi Jisview, pada penentuan

model kecepatan diperoleh root mean square

(RMS) residual sebelum dilakukan proses

perhitungan yaitu 2.044126. Setelah dilakukan

proses perhitungan dengan menggunakan

program velest3.3 sampai dengan iterasi ke-17

diperoleh nilai RMS residual menjadi 0.646223.

GAP rata-rata yang didapatkan dari seluruh

proses perhitungan yaitu sebesar 161. Nilai ini

dianggap baik karena masih dibawah 180.

Namun ada beberapa event yang memiliki nilai

GAP lebih dari 180 yang karenakan sebaran

geometri stasiun seismik penerima sehingga nilai

GAP yang terdeteksi cukup besar. Akan tetapi

model kecepatan yang dihasilkan ini masih

memerlukan validasi dan relokasi kembali untuk

diujicobakan pada beberapa event gempa bumi.

Kemudian pada teknis validasi pengolahan data

gempa bumi dengan menggunakan software

JISVIEW adalah bahwa penetuan parameter

magnitudo gempa bumi bumi dengan

menggunakan model kecepatan IASP91,

AK135F, dan Koulakov diperoleh beberapa hasil

perbandingan yang diperoleh adalah selisih nilai

magnitudo dibawah atau sama dengan M0,3,

82,96% dan selisih kedalaman dibawah atau

sama dengan 25 km, yang berarti secara

keseluruhan 54.07% dari 135 kali pengolahan

dari 15 event gempa bumi, dihasilkan nilai

magnitudo, dengan koefisien korelasi R : 0.43 -

0.96 dan RMSE 0.353 - 0.428 dan koefisien

korelasi kedalaman 0.0022 s.d 0.94. Faktor

penyebab perbedaan nilai parameter output antar

instansi dalam merilis informasi gempa bumi

antara lain lebih disebabkan oleh, picking

gelombang tiba, perumusan penentuan

hypocenter gempa bumi yang menyesuaikan

dengan jarak tempuh sinyal gempa bumi yang

dipengaruhi oleh koreksi efek kelengkungan

bumi, kondisi dan kestabilan instrument sensor

gempa bumi dan pemilihan serta distribusi

stasiun pencatat yang berkaitan dengan

kemutakhiran dari masing-masing sistem

monitoring gempa bumi tersebut.

Kemudian kesimpulan ukuran akurasi perolehan

data dan informasi tsunami diperoleh validitas

sistem informasi potensi tsunami Tdur, Td dan

T50x untuk gempa bumi tahun 2015 untuk 662

kejadian gempa bumi M>4 di Indonesia tahun

2015. Gempa M ≥ 6 Tahun 2015 di Indonesia.

Dengan melihat hasil perhitungan web aplikasi

potensi tsunami dengan alamat

http://172.19.0.13/www, dan membandingkan

konsistensinya dengan kejadian sebenarnya

terjadi tsunami signifikan atau tidaknya.

Kejadian gempa bumi tahun 2015 yang berhasil

dihitung oleh sistem potensi tsunami secara real

time sebanyak lebih dari 752 kejadian gempa

bumi, semuanya menunjukkan tidak ada

peringatan potensi tsunami. Beberapa kali

jaringan dan server mengalami gangguan

sehingga mengakibatkan tidak semua potensi

tsunami pada gempa bumi M > 4 dapat terhitung.

Dilakukan perhitungan potensi tsunami secara

manual untuk 12 kejadian gempa bumi M > 6

dengan hasil 11 kejadian tidak berpotensi

tsunami (tepat), dan 1 kejadian berpotensi

tsunami (tidak tepat), dengan tingkat konsistensi

dengan kejadian sebenarnya mencapai 91%.

Sistem potensi tsunami yang telah diujicoba

dengan kejadian gempa bumi tahun 2015

memiliki konsistensi mencapai 91% dengan

kejadian sebenarnya.

Sistem potensi bisa dipakai sebagai sistem

pendukung InaTews di operasional,

dimungkinkan sebagai second warning.

DAFTAR PUSTAKA

[1] Garini, A. Sherly, dkk., Studi Kegempaan Di

Wilayah Sumatera Bagian Utara Berdasarkan

Reloksi Hiposenter Menggunakan Metode

Inversi, 2014.

[2] Nina, Iswati, dkk., Estimasi Model Kecepatan

Lokal Gelombang Seismik 1D Dan Relokasi

Hiposenter Di Daerah Sumatera Barat

Menggunakan Hypo-GA Dan Velest 3.3., Jurnal

Fisika, Vol. 02 No.02, 2013, pp. 1 - 6.

[3] Rachman, Deni Tri dan Nugraha, Andri Dian,

Penentuan Model 1-D Kecepatan Gelombang P

Dan Relokasi Hiposenter Secara Simultan Untuk

Data Gempa bumi Yang Berasosiasi Dengan

Sesar Sumatera Di Wilayah Aceh Dan Sekitarnya,

JTM, Vol. XIX No.1, 2012.

[4] Lay, T., Kanamori, H., Ammon, C. J., Nettles,

M., Ward, S. N., Aster, R. C., Beck, S. L., Bilek,

S. L., Brudzinski, M. R., Butler, R., DeShon, H.

R., Ekstrom, G., Satake, K. and Sipkin, S., The

great Sumatra- Andaman earthquake of 26 Dec

2004, Science, 308, 2005, pp. 1127–1133.

[5] Lomax, A. & Michelini, A., Mwpd: a duration-

amplitude procedure for rapid determination of

earthquake magnitude and tsunamigenic potential

from P waveforms, Geophys. J. Int., 176, 2009,

pp. 200–214.

[6] Lomax, A. & Michelini, A., Tsunami early

warning using earthquake rupture duration,

Geophys. Res. Lett., 36, L09306, 2009.

[7] Lomax, A. And A. Michelini, Tsunami early

warning using earthquake rupture duration and P-


wve dominant period: the importance of length

and depth of faulting, Geophys. J. Int. 185, 2011,

pp. 283-291.

[8] Jimmi Nugraha, Januar Arifin, Wiko

Setyonegoro, Thomas Hardy, Pupung Susilanto,

"Pembangunan Sistem Monitoring Gempa bumi

Jisview", Prosiding Seminar Tahunan Hasil-Hasil

Penelitian dan Pengembangan Puslitbang BMKG,

2013, pp. 76-86.

[9] Jimmi Nugraha, Januar Arifin, Daryono, Iman

Suardi, Ariska Rudyanto, Hapsoro Agung

Nugroho, Bambang Sunardi, Wiko Setyonegoro,

Drajat Ngadmanto, Suliyanti Pakpahan, Thomas

Hardy, Pupung Susilanto, Sulastri, Angga Setiyo

Prayogo, Nanang T. Puspito, Irwan Meilano,

Fachrizal, "Teknik Identifikasi Polaritas dan

Kualitas Impulse Pertama Gelombang P dan

Signal Processing Dalam Sistem Monitoring

Gempa bumi Jisview", Seminar Ilmiah Hasil-hasil

Penelitian dan pengembangan Puslitbang BMKG,

2014, pp. 70-83.

[10] Kissling, E., Program Velest User’s Guide –

Short Introduction, Institute of Geophysics, ETH

Zuerich, 1995.

[11] Madlazim, Assessment Of Tsunami Generation

Potential Through Rapid Analysis Of Seismic

Parameters Case Study: Comparison Of The

Earthquakes Of 6 April And Of 25 October 2010

Of Sumatra, Science Of Tsunami Hazards 1 (32),

United States, 2013.

[12] Madlazim, Toward tsunami early warning system

in Indonesia by using rapid rupture durations

estimation, AIP Conf. Proc. 1454,International

Conference On Physics And Its Applications,

2011, pp. 142-145.

[13] Madlazim, Toward Indonesian Tsunami Early

Warning System By Using Rapid Rupture

Durations Calculation, Science Of Tsunami

Hazards, 4(30), United States, 2011.

[14] Madlazim, Bagus Jaya Santosa, Jonathan M. Lees

and Widya Utama, Earthquake Source Parameters

at Sumatran Fault Zone: Identification of the

Activated Fault Plane, Cent. Eur. J. Geosci. 2(4),

2010.

[15] Masturyono, Madlazim, Thomas Hardy, and

Karyono, In the 3rd International Symposium on

Earthquake and Disaster Mitigation (ISEDM),

Yogyakarta, 17-18 December 2013.

[16] Permen Kominfo. No. 20, Tahun 2006, Tentang :

Peringatan Dini Tsunami atau bencana lainnya

Melalui Lembaga Penyiaran di Seluruh Indonesia,

Pasal 6 Ayat 2, 2006.

[17] Setyonegoro, W., Tsunami Numerical Simulation

Applied to Tsunami Early Warning System,

Journal of Meteorology and Geophysics (BMKG),

Vol.12 No.1, Mei 2011, pp. 21-32.

[18] Setyonegoro, W, et al., Analisis Sumber Gempa

bumi dengan Potensi Tsunami pada Segmen

Mentawai, Jurnal Meteorlogi dan Geofisika

(BMKG), Vol.13 No.2, 2012, pp. 138-139.

[19] Setyonegoro, W and Masturyono, Pengaruh Profil

Kedalaman Lautan Pada Penjalaran Tsunami

(Studi Kasus : Gempa bumi Aceh 11 April 2012),

Edisi ke-8 Prosiding Seminar Scientific Jurnal

Club, 2013, pp. 105-110.

[20] Setyonegoro, W., Sayyidatul Khoiridah, Moh.

Ikhyaul Ibad, "Validasi Pemodelan Tsunami

Berdasarkan Software L-2008 Menggunakan

Data Sumber Gempa bumi USGS, IRIS, CMT dan

GFZ untuk Studi Kasus Tsunami Nias 28 Maret

2005". Jurnal Meteorlogi dan Geofisika (BMKG),

Vol.16 No.1, 2015, pp. 25-36.

[21] Thomas Hardy, Madlazim, Jimmi Nugraha,

Suliyanti Pakpahan, Wiko Setyonegoro,

"Pengembangan dan Automatisasi Sistem

Penentuan Potensi Tsunami dengan Perhitungan

Durasi Rupture (T-Dur), Periode Dominan (Td)

dan T50EX, Prosiding Seminar Tahunan Hasil-

hasil Penelitian dan Pengembangan Puslitbang

BMKG, 2013, pp. 87-92.

[22] Thomas Hardy, Madlazim, Masturyono, Karyono,

Fachrizal, Sugeng Pribadi, Angga Setiyo

Prayogo, Pupung Susilanto, Bambang Sunardi,

Wiko Setyonegoro, Rasmid, Bagus Pradana,

"Validasi Sistem Penentuan Potensi Tsunami

Dengan Perhitungan Metode Durasi Rupture (T-

Dur), Periode Dominan (TD) dan T50EX",

Seminar Ilmiah Hasil-hasil Penelitian dan

pengembangan Puslitbang BMKG, 2014, pp. 108-

114.

[23] Wallansha R and Setyonegoro, W., "Skenario

Tsunami Menggunakan Data Parameter Gempa

bumi Berdasarkan Kondisi Batimetri (Studi Kasus

: Gempa bumi Maluku 28 Januari 2004)", Jurnal

Segara Kementrian Kelautan dan Perikanan

(KKP), Vol.11 No.2, 2015, pp. 159-168.

Indeks PenulisINKOM Volume 10, 2016

Adnan Rafi Al-Tahtawi, 75

Pemodelan dan Simulasi KendaraanListrik Berbasis Motor Arus Searahpada MATLAB/Simulik, 10(2), 75

Antonius Bima Murti Wijaya, 57

Algoritma Criss-cross dan Branch andBound dalam pemrograman linierinteger, Studi Kasus : ProduksiPangan, 10(2), 57

Arief Nur Rahman, 67

Sistem Pengendali Pemanas PemanggangKopi Menggunakan Logika Fuzzy,10(2), 67

Budhi Anto

Sistem Kendali Pengasutan GensetPortabel Dari Jarak Jauh TanpaKabel, 10(1), 37, 47

Budhi Anto, 37, 47

Candiwan

Kesadaran Keamanan Informasi padaPegawai Bank X di BandungIndonesia, 10(1), 19, 47

Candiwan, 19, 47

Dayat Kurniawan, 81

Online Monitoring Kualitas Air padaBudidaya udang berbasis WSN danIoT, 10(2), 81

Dian Chisva Islami

Kesadaran Keamanan Informasi padaPegawai Bank X di BandungIndonesia, 10(1), 19, 47

Dian Chisva Islami, 19, 47

Edi Surya Negara

Analisis Data Twitter: Ekstraksi danAnalisis Data Geospasial, 10(1), 27, 47

Edi Surya Negara, 27, 47

Eko Joni Pristianto, 67

Sistem Pengendali Pemanas PemanggangKopi Menggunakan Logika Fuzzy,10(2), 67

Folin OktafianiModul Antena dengan Susunan Uniform

untuk Sistem Antena Radar GenerasiKedua, 10(1), 9, 47

Folin Oktafiani, 9, 47

Goib Wiranto, 81Online Monitoring Kualitas Air pada

Budidaya udang berbasis WSN danIoT, 10(2), 81

Hana Arisesa, 67Sistem Pengendali Pemanas Pemanggang

Kopi Menggunakan Logika Fuzzy,10(2), 67

Hilman Ferdinandus Pardede, 47Teknik Normalisasi Fitur Secara Adaptif

untuk Sistem Pengenalan UcapanTahan Terhadap Gema, 10(2), 47

Januar Arifin, 87Sistem Informasi pada Monitoring Gempa

Bumi Jisview dan Penentuan PotensiTsunami Menggunakan DurationRupture, 10(2), 87

Khodijah Bunga I.HKesadaran Keamanan Informasi pada

Pegawai Bank X di BandungIndonesia, 10(1), 19, 47

Khodijah Bunga I.H, 19, 47

Prihambodo Hendro SaksonoAnalisis Data Twitter: Ekstraksi dan

Analisis Data Geospasial, 10(1), 27, 47Prihambodo Hendro Saksono, 27, 47

Ria AndryaniAnalisis Data Twitter: Ekstraksi dan

Analisis Data Geospasial, 10(1), 27, 47Ria Andryani, 27, 47

Seng HansunOptimasi Pemilihan Emiten Pasar Modal

Berdasarkan Aspek Fundamental

dengan Menggunakan AlgoritmaDynamic Programming, 10(1), 1, 47

Seng Hansun, 1, 47

Stanley Sutedi

Optimasi Pemilihan Emiten Pasar ModalBerdasarkan Aspek Fundamentaldengan Menggunakan AlgoritmaDynamic Programming, 10(1), 1, 47

Stanley Sutedi, 1, 47

Thomas Hardy, 87

Sistem Informasi pada Monitoring GempaBumi Jisview dan Penentuan PotensiTsunami Menggunakan DurationRupture, 10(2), 87

Wiko Setyonegoro, 87

Sistem Informasi pada Monitoring GempaBumi Jisview dan Penentuan PotensiTsunami Menggunakan Duration

Rupture, 10(2), 87

Yudi Yuliyus Maulana, 81Modul Antena dengan Susunan Uniform

untuk Sistem Antena Radar GenerasiKedua, 10(1), 9, 47

Online Monitoring Kualitas Air padaBudidaya udang berbasis WSN danIoT, 10(2), 81

Yudi Yuliyus Maulana, 9, 47Yussi Perdana Saputra

Modul Antena dengan Susunan Uniformuntuk Sistem Antena Radar GenerasiKedua, 10(1), 9, 47

Yussi Perdana Saputra, 9, 47Yuyu Wahyu

Modul Antena dengan Susunan Uniformuntuk Sistem Antena Radar GenerasiKedua, 10(1), 9, 47

Yuyu Wahyu, 9, 47

Pedoman Penulisan Naskah

1. Ruang LingkupJurnal INKOM menerima naskah yang berisi hasil penelitian, pengembangan, dan/ataupemikiran di bidang Informatika, Sistem Kendali, dan Komputer. Naskah harus orisinil danbelum pernah dipublikasikan serta tidak sedang dalam proses publikasi di jurnal/media lain.Setiap naskah yang diterima akan dievaluasi substansinya oleh paling sedikit 2 orang pakarmitra bestari (peer reviewer) sebagai juri dalam bidang yang sesuai. Untuk menjunjung fairnessproses penilaian dilakukan hanya pada isi naskah dengan menghilangkan identitas penulis (blindreview). Penulis/para penulis bertanggung jawab sepenuhnya terhadap akurasi naskah. Penulisutama bertanggung jawab untuk sebelumnya menyelesaikan ijin penulisan yang berkaitan denganhasil kerja anggota kelompoknya. Naskah yang diterima dianggap sudah menyelesaikan seluruhkewajiban (clearance) dan ijin reproduksi bila memuat hal-hal yang mengandung hak cipta(copyright) pihak lain.

2. Standar Umum Penulisan

a. Naskah ditulis dalam bahasa Indonesia atau Bahasa Inggris.

b. Judul, Abstrak, dan Kata kunci harus ditulis dalam dua bahasa(Indonesia dan Inggris)

c. Ditulis menggunakan word processor (Microsoft Word, Open Office, atau Latex). Naskahdiketik dalam 2 kolom (ukuran kertas A4) dengan huruf Times New Roman ukuran 11,rata kanan-kiri. Panjang naskah sekurang - kurangnya 6 halaman, dan tidak lebih dari 10halaman, tidak termasuk lampiran.

d. Naskah diawali dengan judul, nama penulis, instansi, alamat surat, dan alamat email untukkorespondensi.

e. Materi yang akan dicetak, meliputi teks, gambar ilustrasi, dan grafik harus berada dalamarea pencetakan yaitu bidang kertas A4 (297mm x 210mm), dengan margin 2cm di semuasisi kertas. Format yang dianjurkan adalah dalam format LATEXkarena redaksi hanyamengedit makalah dalam format LATEX. Namun, redaksi masih dapat menerima formatyang lain seperti word atau odt sesuai dengan template yang redaksi telah sediakan.

Jangan menuliskan atau meletakkan sesuatu diluar bidang cetak tersebut. Seluruh teksditulis dalam format dua kolom dengan jarak antar kolom 1 cm, kecuali bagian abstrakyang dituliskan dalam format satu kolom. Seluruh teks harus rata kiri-kanan. Template inimenggunakan format yang dianjurkan. Untuk mempermudah penulis dalam memformatmakalahnya, format ini dapat digunakan sebagai petunjuk atau format dasar penulisan.

f. Isi naskah setidak-tidaknya berisi/menerangkan tentang pendahuluan, metoda, hasil,diskusi, kesimpulan, daftar pustaka. Ucapan terimakasih bila diperlukan dapat dituliskansetelah bagian kesimpulan. Sistematika penulisan mengacu pada Peraturan Kepala LIPINomor 04/E/2012 tentang pedoman karya tulis ilmiah.

3. Cara Penulisan JudulJudul utama (pada halaman pertama) harus dituliskan dengan jarak margin 2cm dari tepikertas, rata tengah dan dalam huruf Times 16-point, tebal, dengan huruf kapital pada hurufpertama dari kata benda, kata ganti benda, kata kerja, kata sifat, dan kata keterangan; janganmenggunakan huruf kapital pada kata sandang, kata hubung, terkecuali jika judul dimulai dengankata-kata tersebut. Sisakan satu 11-point baris kosong sesudah judul.

4. Cara Penulisan Nama dan AfiliasiNama penulis dan afiliasi diletakkan ditengah dibawah judul. Nama penulis dituliskan denganhuruf Times 12-point, tidak tebal. Afiliasi dan email penulis dituliskan dibawahnya dengan hurufTimes 10-point, miring. Penulis yang lebih dari satu orang dituliskan dengan menggunakansuperscript angka yang merujuk pada masing-masing afiliasi. Sedangkan email cukup dituliskankorespondensi email saja, misal email dari penulis pertama saja.

3

5. Cara Penulisan Abstrak dan Kata KunciAbstrak dalam bahasa Indonesia ditulis dengan rata kiri-kanan dengan inden 0.5cm, sesudahabstrak dalam bahasa Inggris, dengan satu spasi dan satu kolom. Kata Abstrak sebagai judulditulis dalam huruf Times 11-point, tebal, rata tengah, dengan huruf pertama dikapitalkan. Teksabstrak ditulis dengan huruf Times 10-point, satu spasi, sampai lebih kurang 150 kata. Sesudahabstrak bahsa Indonesia tuliskan kata kunci dari makalah tersebut dalam daftar kata kunci.Kemudian dilanjutkan dengan teks utama makalah.

6. Cara Penulisan Bab (Heading)

1. Judul pertama

Sebagai contoh, 1. Pendahuluan, dituliskan dalam huruf Times 11-point, tebal, huruf pertamakata pertama ditulis dengan huruf kapital. Gunakan tanda titik (.) sesudah nomor judul.

1.1. Judul kedua

Sebagaimana judul pertama, judul kedua dituliskan dengan huruf Times 11-point, tebal. Nomorjudul terdiri dari dua angka yang dibatasi dengan tanda titik.

1.1.1. Judul ketiga

Untuk uraian yang lebih panjang dan tidak dapat dituliskan dalam bentuk uraian terurut,digunakan judul ketiga. Judul ketiga menggunakan ukuran huruf yang sama yaitu huruf Times11-point, tetapi miring. Nomor judul terdiri dari tiga angka yang dibatasi dengan tanda titik.Tidak dianjurkan penggunakan judul hingga tiga tingkatan, sebaiknya hinggal Judul kedua saja.

7. Cara Penulisan Text UtamaKetik teks utama dengan menggunakan huruf Times 11-point, satu spasi. Jangan menggunakandua spasi. Pastikan teks ditulis dengan rata kiri-kanan. Jangan menambahkan baris kosong diantara paragraf. Istilah dalam bahasa asing (foreign language) yang tidak dapat diterjemahkandalam bahasa utama makalah harus dituliskan dalam huruf miring.

Terdapat dua jenis uraian yaitu: enumarasi dan itemisasi. Untuk enumerasi gunakan digunakanhuruf alfabet kecil dengan titik, sebagai contoh:

a. Uraian yang memiliki aturan pengurutan

b. Uraian yang terkait dengan uraian lainnya

c. Uraian yang setiap itemnya akan diacu pada tulisan utama

Sedangkan itemisasi dituliskan dengan bullet adalah:

• Uraian yang tidak memiliki aturan pengurutan

• Uraian yang tidak terkait dengan uraian lainnya

8. Cara Penyajian TabelPenyajian tabel harus berada dalam lingkup ukuran A4. Keterangan tabel dituliskan denganhuruf Times 10-point. Keterangan tabel diletakkan sebelum tabel dengan rata kiri. Tabel dibuattanpa menggunakan garis vertikal. Tabel harus diacu dalam tulisan seperti Tabel 1.

4

9. Cara Penyajian GambarPenyajian gambar harus berada dalam lingkup ukuran A4. Keterangan gambar dituliskandengan huruf Times 10-point. Sedangkan pengacuan gambar pada teks menggunakan hurufTimes 11-point sesuai dengan teks utama.

Gambar 1: Contoh Gambar

Keterangan gambar diletakkan di bawah, tengah gambar yang dijelaskan. Gambar diletakkan ditengah satu kolom. Jika tidak memungkinkan atau gambar terlalu lebar gambar bisa diletakkandi tengah dalam format dua kolom. Gambar harus diacu dalam tulisan seperti Gambar 1.

10. Cara Penulisan Persamaan (equation)Penulisan formula/persamaan/rumus matematika dapat menggunakan microsoft equationapabila penulis menggunakan Microsoft Word. Sedangkan apabila penulis menggunakan latex,maka penulis dapat menggunakan penulisan formula standar dalam latex dengan menggunakanpaket amsmath. Label persamaan ditulis dibagian kanan persamaan menggunakan huruf arabicdidalam kurung. Berikut ini adalah contoh penulisan persamaan matematika:

G(x, y) = exp(−x,2 + γ2y,2

2σ2) sin(i2π

x,

λ+ ψ) (1)

Penulis dapat menggunakan kata ”persamaan (1)” apabila akan mengacu padarumus/formula/persamaan yang memiliki label (1). Label persamaan ditulis berurutansesuai dengan posisi kemunculan dalam halaman. Berikut ini adalah contoh bagaimana penulismengacu sebuah persamaan:

”Formula (1) merupakan rumusan Gabor Filter untuk bagian imajiner ...”

11. Cara Penulisan Ucapan TerimakasihBerikut ini adalah contoh penulisan ucapan terimakasih dalam naskah: Ucapan terima kasihpenulis sampaikan kepada Pusat Penelitian Informatika Lembaga Ilmu Pengetahuan Indonesiaatas dukungan dana penelitian melalui Daftar Isian Pelaksanaan Anggaran (DIPA) 2012.

5

12. Cara Penulisan Kutipan dan Daftar PustakaDaftar pustaka memuat daftar bacaan yang diacu dalam tulisan utama. Daftar pustaka ditulisdengan metode penulisan kepustakaan IEEE transaction, dengan huruf Times 10-point. Kutipandalam teks utama yang mengacu kepada daftar pustaka dituliskan dengan angka dalam kurungsiku [?]. Jika acuan lebih dari satu, pengacuan ditulis seperti ini ([?, ?]). Daftar rujukanyang dikutip dituliskan pada bagian akhir naskah dengan judul Daftar Pustaka dan diberikannomor urut sesuai dengan urutan pengutipan pada naskah. Bagian naskah yang mengacu padasatu atau beberapa literatur lain hendaknya mencantumkan nomor urut referensi pada daftarpustaka. Pengacuan acuan pada naskah dengan menggunakan notasi [nomor acuan] seperti: [?](artikel pada jurnal), [?] (artikel pada prosiding) dan [?] (buku). Berikut ini adalah contohdaftar pustaka:

13. Template Penulisan NaskahTemplate tata penulisan naskah dapat didownload dihttp://jurnal.informatika.lipi.go.id/index.php/inkom/about/submissions#authorGuidelines

6

Jurnal INKOMPusat Penelitian Informatika

Lembaga Ilmu Pengetahuan IndonesiaKomp. LIPI Gd. 20 Lt. 3

Sangkuriang, Bandung, 40135Email: [email protected]

Telp: +62 22 2504711Fax: +62 22 2504712

http://jurnal.informatika.lipi.go.id

7

Volume 10, No 2, 2016Dr. Nasrullah Armi P2 Elektronika dan Telekomunikasi LIPI Redaksi Pelaksana...

Documents

Transcript of Volume 10, No 2, 2016Dr. Nasrullah Armi P2 Elektronika dan Telekomunikasi LIPI Redaksi Pelaksana...