Model Fuzzy Mamdani

PREDIKSI JUMLAH KENDARAAN BERMOTOR
BERDASARKAN TINGKAT KEBISINGAN LALU LINTAS
DENGAN MENGGUNAKAN LOGIKA FUZZY MENGGUNAKAN METODE MAMDANI


Abstrak

Paper ini menyajikan pengembangan sebuah sistem prediksi jumlah kendaraan bermotor yang lewat pada suatu jalan berdasarkan tingkat kebisingan lalu lintas dengan menggunakan logika fuzzy. Alat yang dibuat menggunakan sistem mikroprosesor 8088 yang dilengkapi dengan sensor bising berupa mikropon. Hasil prediksi jumlah kendaraan ditampilkan pada display 7-segment led. Sistem inferensia fuzzy yang dipakai di sini menggunakan strategi MIN-MAX dengan tiga crisp input yaitu: level kebisingan, lebar jalan di mana alat ini dipakai dan faktor koreksi. Sedangkan metode defuzifikasi menggunakan COG (Center of Gravity) untuk menghasilkan crisp output berupa prediksi jumlah kendaraan per menit.
Pengujian sistem dilakukan dengan 2 cara yaitu membandingkan hasil prediksi alat dengan jumlah kendaraan sebenarnya, dan ke dua adalah membandingkan hasil prediksi dengan hasil perhitungan berdasarkan pendengaran telinga manusia dengan mata tertutup. Hasil percobaan menujukan kesalahan prediksi pada percobaan pertama adalah 7 - 10 % sedangkan kesalahan prediksi alat bila dibandingkan hasil perhitungan telinga manusia adalah sekitar 4 - 5 %.

Kata Kunci : prediksi jumlah kendaraan berdasarkan kebisingan, sistem prediksi fuzzy logic.

1. PENDAHULUAN

Dari banyak penelitian yang telah ada sebelumnya, menyatakan bahwa pengukuran tingkat kebisingan lalu lintas memiliki korelasi yang baik dengan jumlah kendaraan yang melewati suatu jalan [1], yakni dapat dilihat dari hubungan yang cukup linear antara kedua variabel (yaitu kebisingan lalu-lintas dan jumlah kendaraan). Dari penelitian–penelitian tersebut juga diketahui bahwa terdapat variabel-variabel yang mempengaruhi tingkat kebisingan tersebut. Diantaranya adalah: volume lalu-lintas, kecepatan kendaraan, lebar jalan, jenis kendaraan dan adanya benda-benda disekitar jalan yang dapat meredam atau memantulkan bunyi. Dalam proyek ini penulis membuat sebuah sistem untuk memprediksi jumlah kendaraan berdasarkan tingkat kebisingan lalu lintas dengan memanfaatkan metode logika fuzzy.
Penggunaan teknik logika fuzzy telah cukup meluas pada berbagai aplikasi mulai dari consummer electronics, robotics, kendali industri, dan lain-lain [2]. Teknik logika fuzzy sangat cocok digunakan pada sistem yang dalam pemrosesannya banyak melibatkan aturan (rule based). Sistem logika fuzzy biasanya memiliki sifat fault tolerant serta mampu mengakomodasi ketidak presisian dalam proses akuisis data. Implementasi kendali Fuzzy biasanya dilakukan oleh multi-purpose mikroprosesor, mikrokontroler maupun prosesor khusus berupa Fuzzy Logic Processor. Biasanya dibutuhkan alat atau software bantu untuk mengembangkan aplikasi fuzzy mulai dari tahap perancangan, evaluasi, implementasi dan penalaan (tuning).
Alat yang dibuat di sini menggunakan sistem mikroprosesor 8088 yang dilengkapi dengan sensor bising berupa mikropon. Hasil prediksi jumlah kendaraan ditampilkan pada display 7-segment led. Sistem inferensia fuzzy yang dipakai di sini menggunakan strategi MIN-MAX dengan tiga crisp input yaitu: level kebisingan, lebar jalan di mana alat ini dipakai dan faktor koreksi untuk mengakomodasi variabel faktor peredaman suara, kecepatan kendaraan dan jenis kendaraan yang lewat. Sedangkan metode defuzifikasi menggunakan COG (Center of Gravity) untuk menghasilkan crisp output berupa prediksi jumlah kendaraan per menit. Program inferensia logika fuzzy menggunakan PetraFuz88, yaitu program kernel fuzzy logic yang dikembangkan oleh laboratorium Sistem Kontrol, Jurusan Teknik Elektro, U.K. Petra [3]. Program ini ditulis dalam bahasa assembly 8088 dengan kemampuan memproses maksimum 8 input, 8 output, 1024 aturan fuzzy if-then, serta proses defuzifikasi menggunakan metode COG. Program kernel inferensia logika fuzzy ini merupakan pengembangan dari kernel sejenis untuk mikrokontroller MCS51 yang telah diimplementasikan pada beberapa aplikasi [4,5,6].
Pengujian sistem dilakukan dengan 2 metode yaitu membandingkan hasil prediksi alat dengan jumlah kendaraan sebenarnya, dan ke dua adalah membandingkan hasil prediksi dengan hasil perhitungan berdasarkan pendengaran telinga manusia dengan mata tertutup. Hasil percobaan menujukan kesalahan prediksi pada percobaan pertama adalah 7 - 10 % sedangkan kesalahan prediksi alat bila dibandingkan hasil perhitungan telinga manusia adalah sekitar 4 - 5 %.

2. DESKRIPSI SISTEM PREDIKSI

Gambar 1 menunjukkan blok diagram sistem yang telah dibuat berbasis sistem mikroporsesor 8088. Sistem inferensia fuzzy logic diimplementasikan kedalam perangkat lunak yang ditulis dalam bahasa assembly yang diberi nama PetraFuz88 Kernel [3].

GAMBAR 1
BLOK DIAGRAM SISTEM

Adapun bagian-bagian penting dari sistem tersebut adalah:
 Dua buah rangkaian sensor bising untuk menerima bising kendaraan bermotor, dan RPS untuk mengolah sinyal yang diterima oleh kedua sensor bising, menjadi level tegangan yang sesuai dengan Analog to Digital Converter (ADC) yang digunakan.
 Rangkaian minimum system 8 bit dengan menggunakan prosesor Intel 8088, yang didalamnya terdapat sebuah IBM slot yang berisi pin-pin data bus dan beberapa pin kontrol, serta sebuah header untuk mengeluarkan pin-pin dari piranti I/O 8255.
 Rangkaian ADC digunakan untuk mengkonversikan besaran analog bising yang telah diproses oleh RPS, menjadi besaran digital untuk selanjutnya diolah menjadi input fuzzy bersama input yang lain yaitu lebar jalan dan faktor koreksi. Rangkaian ini dimasuk-kan dalam IBM slot pada minimum system
 Rangkaian keypad 3 tombol yaitu UP, DOWN dan ENTER, untuk menginputkan lebar jalan dan faktor koreksi ke dalam sistem mikroprosesor dan rangkaian display menggunakan 2 buah led 7-segment untuk menampilkan output prediksi yang diperoleh.
 Software yang berisi program bahasa assembly untuk mengoperasikan peralatan, yang didalammya juga terdapat rutin fuzzy inference system PetraFuz88 untuk mengolah crisp input menjadi crisp output dan menampilkannya hasil prediksi pada display.

3. PERANGKAT LUNAK SISTEM

Proses logika fuzzy yang terdiri dari 3 proses yaitu, fuzzifikasi (fuzzification), evaluasi rule (rule evaluation) dan defuzzifikasi (defuzzification) diimplementasikan kedalam program bahasa assembly 8088. Secara blok dapat digambarkan pada gambar 2.
Tiga buah crisp input: lebar jalan, faktor koreksi dan level kebisingan digunakan sebagai input pada proses fuzzifikasi untuk menghasilkan fuzzy input sesuai dengan membership function input yang dibuat. Hasil proses fuzzifikasi tersebut kemudian digunakan sebagai input pada proses evaluasi rule, untuk menghasilkan fuzzy output, sesuai dengan rule yang telah ditentukan. Selanjutnya fuzzy output akan diinputkan pada proses defuzzifikasi untuk menghasilkan crisp output, dalam hal ini adalah prediksi jumlah kendaraan, sesuai dengan membership function output yang dibuat. Di sini digunakan strategi logika fuzzy dari Mamdani (MIN_MAX) dan metode defuzzifikasi center of gravity (COG).

3.1. PROSES SAMPLING LEVEL KEBISINGAN

Level kebisingan disampling setiap 100 ms, lalu dilakukan pengulangan sebanyak 20 kali untuk kemudian diperoleh harga rata-ratanya. Harga rata-rata ini kemudian dijadikan sebagai input bagi sistem untuk dioleh dan dihasilkan prediksi jumlah kendaraan yang lewat selama selang waktu 2 detik tersebut. Proses prediksi dilakukan berulang selama 30 kali, dan hasil prediksi diakumulasi selama 1 menit untuk kemudian ditampilkan pada display (kendaraan per menit). Untuk lebih memperjelas proses tersebut, diagram pewaktuan proses sampling dapat dilihat gambar 3 sedangkan proses program utama dapat dilihat pada gambar 4.












GAMBAR 3
PEWAKTUAN SAMPLING KEBISINGAN

3.2. PERENCANAAN SISTEM LOGIKA FUZZY

Sistem logika fuzzy di sini memiliki 3 input dan 1 output. Input terdiri dari: level kebisingan, lebar jalan dan faktor koreksi. Membership function dari masing-masing input ini memiliki 3 label. Label untuk input level kebisingan dan faktor koreksi adalah: “Low”, “Medium” dan “High”, sedangkan untuk input lebar jalan adalah: “Narrow”, “Medium” dan “Wide”. Bentuk membership function beserta dengan domainnya dapat dilihat pada gambar 5, 6 dan 7. Untuk membership function output prediksi jumlah kendaraan (gambar 8) digunakan bentuk singleton dengan 3 label: “Low”, “Medium” dan “High”. Output ini memiliki rentang nilai 0 sampai dengan 5 yang menunjukan prediksi jumlah kendaraan yang dideteksi dalam kurun waktu 2 detik.
Fuzzy if-then rules yang digunakan di sini dapat dilihat pada gambar 9.

4. HASIL-HASIL PERCOBAAN

Pengujian sistem dilakukan dengan 2 cara yaitu membandingkan hasil prediksi alat dengan jumlah kendaraan sebenarnya dan yang ke dua adalah membandingkan hasil prediksi dengan hasil perhitungan berdasarkan pendengaran telinga manusia dengan mata tertutup. Pengujian dilakukan di jalan Raya Jemursari, Surabaya. pada hari Senin, 4 Januari 1999, pukul 10.15 WIB. Pengujian dilakukan terhadap variasi parameter sebagai berikut:
 Variasi input faktor koreksi, dalam hal ini difungsikan sebagai faktor penala agar diperoleh hasil prediksi yang mendekati dengan hasil sebenarnya.
 Perubahan bentuk dan domain membership function input, yaitu pada input level kebisingan. Perubahan ini dimaksudkan untuk minimalisasi dari error prediksi yang dihasilkan sistem.

Pada tabel 1 terlihat bahwa hasil prediksi alat bila dibandingkan dengan prediksi berdasarkan pendengaran manusia dengan mata tertutup terdapat selisih sekitar 4 %. Di sini tampak error prediksi cukup besar (15,27%) bila hasil prediksi alat dibandingkan dengan jumlah kendaraan sebenarnya. Berikutnya dilakukan penalaan pada input faktor koreksi menjadi 55 %. Hasil prediksi ditampilkan pada tabel 2.
Setelah dilakukan penalaan terhadap faktor koreksi, di sini terlihat error prediksi menjadi turun, khususnya bila dibandingkan dengan pendengaran manusia. Selanjutnya akan dilakukan penalaan terhadap membership function input level kebisingan agar didapat hasil prediksi yang lebih tepat. Perubahan bentuk membership function input level kebisingan ditunjukan seperti gambar 10. Hasil prediksi dengan perubahan ini dapat dilihat pada tabel 3. Di sini terlihat bahwa perubahan membership function input level kebisingan memberi kontribusi pada penurunan error prediksi. Dengan demikian hasil prediksi menjadi lebih mendekati hasil sebenarnya. Hasil yang lebih baik bisa didapat dengan sekali lagi melakukan penalaan pada input faktor koreksi. Penaikan nilai input faktor koreksi akan membuat error prediksi mengecil.

GAMBAR 9
RULE-RULE YANG DIBUAT


TABEL 1
HASIL PREDIKSI JUMLAH KENDARAAN


Menit
Ke- Jumlah Kendaraan Error
(X1&X2)% Error
(X1&X3)% Delta Error 1
&
Error 2
Actual
(X1) Prediksi Telinga Man.
(X2) Prediksi Dengan Alat
(X3)

1 33 32 30 3,030 9,091 6,061
2 32 30 29 6,250 9,375 3,125
3 32 31 27 3,125 15,625 12,500
4 34 32 31 5,882 8,824 2,941
5 32 31 27 3,125 15,625 12,500
6 32 32 29 0,000 9,375 9,375
7 35 33 29 5,714 17,143 11,429
8 34 33 28 2,941 17,647 14,706
9 33 32 27 3,030 18,182 15,152
10 33 31 28 6,061 15,152 9,091
11 32 32 26 0,000 18,750 18,750
12 36 33 28 8,333 22,222 13,889
13 35 33 29 5,714 17,143 11,429
14 29 28 24 3,448 17,241 13,793
15 34 32 28 5,882 17,647 11,765
Mean = 4,169 15,27
Standart Deviasi = 2,352 4,150
Lebar jalan = 8 meter (8)
Faktor koreksi = 65% (13)


TABEL 2
HASIL PREDIKSI JUMLAH KENDARAAN
DENGAN PENGURANGAN INPUT FAKTOR KOREKSI

Menit
Ke- Jumlah Kendaraan Error
(X1&X2)% Error
(X1&X3)% Delta Error 1
&
Error 2
Actual
(X1) Prediksi Telinga Man.
(X2) Prediksi Dengan Alat
(X3)

1 33 32 28 3,030 15,152 12,121
2 32 30 30 6,250 6,250 0,000
3 32 31 32 3,125 0,000 3,125
4 34 32 28 5,882 17,647 11,765
5 32 31 28 3,125 12,500 9,375
6 32 32 31 0,000 3,125 3,125
7 35 33 34 5,714 2,857 2,857
8 34 33 34 2,941 0,000 2,941
9 33 32 32 3,030 3,030 0,000
10 33 31 30 6,061 9,091 3,030
11 32 32 30 0,000 6,250 6,250
12 36 33 29 8,333 19,444 11,111
13 35 33 30 5,714 14,286 8,571
14 29 28 28 3,448 3,448 0,000
15 34 32 30 5,882 11,765 5,882
Mean = 4,169 8,320
Standart Deviasi = 2,352 6,430
Lebar jalan = 8 meter (8)
Faktor koreksi = 55% (11)
Referensi bising = 63 desimal


5. KESIMPULAN

Dari hasil pengembangan sistem dan percobaan yang telah dilakukan dapat ditarik beberapa kesimpulan sebagai berikut:
1. Sistem prediksi fuzzy yang telah dibuat mampu memprediksi jumlah kendaraan bermotor berdasarkan tingkat kebisingan dengan kesalahan sekitar 8 %. Kesalahan prediksi bisa diperkecil dengan menambah jumlah input pada sistem fuzzy yang secara signifikan berpengaruh dalam proses prediksi. Kandidatnya adalah: kecepatan rata-rata kendaraan, jenis kendaraan yang lewat dan faktor peredaman suara.
2. Untuk memperoleh hasil prediksi dengan kesalahan yang rendah, perlu dilakukan penalaan pada bentuk dan domain membership function, serta rule-rule yang ditarapkan. Dibutuhkan proses trial and error dalam melakukan ini. Terbuka kesempatan untuk pengembangan lanjutan proyek ini, dengan menggabungkan teknik jaringan saraf tiruan untuk proses pembelajaran untuk membantu proses penalaan sistem fuzzy.
3. Sistem prediksi fuzzy yang telah dibuat masih mempunyai kelemahan yaitu tidak dapat membedakan arah gerakan kendaraan bermotor. Demikian juga sistem ini tidak dapat membedakan kendaraan bermotor yang berjalan paralel.