Artificial Neural Network Jalan Dan Jembatan Deni Wiharjito

Konferensi Nasional Teknik Jalan ke-9 APLIKASI TEKNIK PEMODELAN ARTIFICIAL NEURAL NETWORK DAN POTENSI IMPLEMENTASINYA PADA PENYELENGGARAAN JALAN DAN JEMBATAN DI INDONESIA

Halaman 1

APLIKASI TEKNIK PEMODELAN ARTIFICIAL NEURAL NETWORK DAN POTENSI IMPLEMENTASINYA PADA PENYELENGGARAAN

JALAN DAN JEMBATAN DI INDONESIA

Deni Wiharjito, ST., M.MT

Kegiatan Pelaksanaan Jalan Bebas Hambatan Tanjung Priok E2, Balai Besar Pelaksanaan Jalan Nasional IV, Ditjen. Bina Marga, Kementerian PU

E-mail: [email protected]

Abstrak

Penyelenggara jalan dan jembatan di Indonesia saat ini mengalami tantangan yang semakin berat dari hari ke hari dengan berbagai permasalahannya yang kompleks, dalam menghadapinya diperlukan pengambilan keputusan secara cepat dan tepat, bila diperlukan maka dikembangkanlah suatu model yang mampu merepresentasikan realita yang ada. Salah satu alternatif pendekatan teknik pemodelan tingkat lanjut saat ini adalah Artificial Neural Network (ANN), teknik ini terbukti sesuai untuk memodelkan permasalahan yang kompleks dimana hubungan antara variabel pada model tidak diketahui secara pasti. Selama beberapa tahun terakhir, aplikasi ANN telah meningkat di berbagai bidang keilmuan, juga termasuk bidang engineering. Saat ini ANN secara khusus telah diaplikasikan pada bidang jalan dan jembatan dengan tingkat keberhasilan yang memuaskan. Makalah ini memberikan pandangan umum kepada masyarakat bidang jalan dan jembatan yang tidak terbiasa dengan ANN, juga untuk menjelaskan hal-hal yang berhubungan dengan ANN beserta beberapa aplikasinya pada bidang jalan dan jembatan di Indonesia. Diharapkan pembahasan ini dapat menarik minat para pemangku kepentingan, para ahli, serta para praktisi di bidang jalan dan jembatan untuk memberikan perhatian yang lebih pada teknik yang menjanjikan ini. Pada bagian akhir dibahas potensi implementasi ANN pada penyelenggaraan jalan dan jembatan di Indonesia.

Kata kunci: Artificial Neural Network, jalan dan jembatan

1. Latar Belakang Jalan merupakan salah satu prasarana transportasi yang berfungsi sebagai urat nadi kehidupan

masyarakat, mempunyai peranan penting untuk pengembangan kehidupan berbangsa dan bernegara, sehingga jalan mempunyai peranan mewujudkan sasaran pembangunan berupa pemerataan pembangunan beserta hasil-hasilnya, pertumbuhan ekonomi, dan perwujudan keadilan sosial bagi seluruh masyarakat Indonesia (UU No.38/2004). Jembatan berfungsi sebagai jalan untuk menghubungkan dua lokasi yang terpisah karena kondisi alam atau sebab lainnya, meski total panjang seluruh jembatan di Indonesia sangat kecil sekali bila dibandingkan dari total panjang jalan, tapi keberadaan jembatan sangat penting karena jika terputus akan memberikan hambatan yang sangat tinggi dan nilai investasinya besar.

Menyadari peran dan fungsi dari jalan dan jembatan yang vital seperti tersebut di atas, maka tanggung jawab yang diemban penyelenggara jalan dan jembatan di Indonesia pastilah sangat besar. Penyelenggara jalan dan jembatan di Indonesia saat ini mengalami tantangan yang semakin berat dari hari ke hari dengan berbagai permasalahannya yang kompleks, dalam menghadapinya diperlukan pengambilan keputusan secara cepat dan tepat, bila diperlukan maka dikembangkanlah suatu model yang mampu merepresentasikan realita yang ada, biasanya berdasarkan cara-cara konvensional yaitu dengan bantuan matematika dan statistik. Salah satu alternatif pendekatan teknik pemodelan tingkat lanjut saat ini adalah Artificial Neural Network (ANN), teknik ini terbukti sesuai untuk memodelkan permasalahan yang kompleks dimana hubungan antara variabel pada model tidak diketahui secara pasti. Selama beberapa tahun terakhir, aplikasi ANN telah meningkat di berbagai bidang keilmuan, juga termasuk bidang engineering. Saat ini ANN secara khusus telah diaplikasikan pada bidang jalan dan jembatan dengan tingkat keberhasilan yang memuaskan.


Halaman 2

Makalah ini bermaksud untuk memberikan pandangan umum kepada masyarakat bidang jalan dan jembatan yang tidak terbiasa dengan ANN, juga untuk menjelaskan hal-hal yang berhubungan dengan ANN beserta beberapa aplikasinya pada bidang jalan dan jembatan di Indonesia. Diharapkan pembahasan ini dapat menarik minat para pemangku kepentingan, para ahli, dan para praktisi di bidang jalan dan jembatan untuk memberikan perhatian lebih pada teknik yang menjanjikan ini. Selain itu juga dibahas potensi implementasi ANN pada penyelenggaraan jalan dan jembatan di Indonesia.

2. Artificial Neural Network Artificial Neural Network (ANN) atau dalam istilah bahasa Indonesia dikenal sebagai Jaringan

Syaraf Tiruan, merupakan model sistem pemrosesan informasi yang berdasarkan pada struktur jaringan syaraf di otak, cara kerjanya adalah belajar dari pengalaman. Model sistem yang menyerupai otak ini menjanjikan teknik yang lebih sederhana untuk mencari solusi terbaik, metode perhitungan yang terinspirasi dari jaringan syaraf biologi ini merupakan tingkat lanjut di bidang komputasi. Tetapi perlu ditekankan bahwa metode tersebut hanya menyerupai otak saja bukan merupakan kemampuan otak sebenarnya, karena bahkan fungsi dari kemampuan otak hewan sederhana tidak mungkin untuk dibuat oleh komputer. Komputer mampu menghapalkan segala sesuatunya dengan baik, begitu juga dengan melakukan perhitungan matematika yang kompleks, tetapi komputer kesulitan untuk mengenali pola walaupun yang sederhana sekalipun. Sehingga komputer tidak mampu melakukan generalisasi pola pada masa lampau untuk digunakan pada masa yang akan datang. 2.1. Konsep Dasar

Penelitian biologi lanjut saat ini menjanjikan sebuah pemahaman awal dari mekanisme pemikiran alam, dari penelitian tersebut menunjukkan bahwa otak menyimpan informasi sebagai pola, dimana beberapa pola tersebut sangat rumit dan memberikan kita kemampuan untuk mengenali wajah seseorang dari berbagai sudut pandang yang berbeda. Menggunakan pola untuk melakukan pemecahan masalah merupakan cara baru di bidang komputasi. ANN belajar dari sekumpulan data yang diberikan dan menggunakan data tersebut untuk melakukan penyesuaian pada bobot-bobotnya agar dapat menangkap hubungan antara variabel input dengan variabel output. Dengan kondisi ini, maka ANN tidak memerlukan pengetahuan terlebih dahulu tentang hubungan antara variabel input dengan variabel output, yang mana hal ini merupakan salah satu keuntungan dari ANN dibandingkan dengan metode matematika dan statistik (metode konvensional). Sehingga dapat dikatakan bahwa kualitas model ANN sangat dipengaruhi oleh data-data yang diberikan, bila tidak hati-hati dalam memasukkan data yang akan digunakan dalam pengembangan model maka akan dikenal istilah garbage in-garbage out.

2.2. Proses Kerja

Dasar proses kerja elemen dari ANN merupakan simulasi neuron biologis yang terdiri dari dendrit, soma, akson, dan sinapsis. Neuron biologis melakukan empat kegiatan dasar, yaitu menerima input dari beberapa sumber, lalu mengkombinasikan input tersebut, kemudian melakukan sebuah operasi pada input untuk menghasilkan output, dan terakhir menyampaikan hasil output tersebut ke neuron yang lain (Anderson, D. and McNeil, G., 1992). ANN sendiri terdiri dari beberapa artificial neuron.

Soma

Nukleus

Myelin pelindung

Dendrit

Akson

Sinapsis

Gambar 1. Representasi Neuron Biologis


Halaman 3

Gambar 2. Artificial Neuron

Gambar 1 memperlihatkan representasi dasar neuron biologis dan Gambar 2 memperlihatkan artificial neuron. Terlihat pada Gambar 2 bahwa berbagai input (x1, x2, ..., xn) dan bias, b diberikan ke dalam jaringan, kemudian input tersebut dikalikan dengan bobot koneksi, (w1, w2, ..., wn). Hasil perkalian yang ada dijumlahkan sesuai persamaan 1 dan kemudian dilakukan proses melalui sebuah fungsi aktivasi seperti persamaan 2 untuk mendapatkan sebuah output, y.

m1,...,j;bbxwy_in j

n

1i

ijij

...(1)

(y_in)y ...(2)

Terdapat beberapa macam fungsi aktivasi yang biasa digunakan untuk mengembangkan model

ANN, tetapi dari pengalaman didapatkan bahwa fungsi aktivasi sigmoid atau tangent hyperbolic dapat digunakan untuk mendekati fungsi kontinu/menerus apapun: a. Fungsi Sigmoid Binner:

Nilai output pada interval 0 sampai 1, juga bisa digunakan untuk nilai output 0 atau 1, sesuai persamaan 3 dan Gambar 3.

xexfy

1

1)( ...(3)

y

x

1

0

Gambar 3. Fungsi Sigmoid Binner

b. Fungsi Sigmoid Bipolar: Nilai output pada interval –1 sampai 1, sesuai persamaan 4 dan Gambar 4.

1e1

2

e1

e1)x(fy

xx

x

...(4)


Halaman 4

y

x

1

-1

0

Gambar 4. Fungsi Sigmoid Bipolar

c. Fungsi Hyperbolic Tangent:

Nilai output pada interval –1 sampai 1, sesuai persamaan 5 dan Gambar 5.

xx

xx

ee

ee)x(fy

...(5)

y

x

1

-1

0

Gambar 5. Fungsi Hyperbolic Tangent

2.3. Arsitektur Jaringan

Hubungan antar neuron dalam ANN mengikuti pola tertentu tergantung pada arsitekturnya dan berhubungan dengan algoritma pembelajaran yang digunakan untuk melatih jaringan. Arsitektur jaringan ANN untuk pemodelan pada umumnya merupakan Multi-Layer Perceptron (MLP), memiliki satu atau lebih hidden layer (lapisan tersembunyi) terletak di antara layer input dan layer output dengan bobot-bobot terhubung seperti diilustrasikan Gambar 6. Kelebihan dari MLP yaitu efektif pada permasalahan yang kompleks, memiliki kemampuan interpolasi dan generalisasi yang baik, serta dapat mengklasifikasikan data menerus. Kelemahan yang utama pada MLP adalah tidak terjaminnya untuk menemukan solusi global terbaik dalam waktu singkat.

x2

x1

bias 1

z1

bias 2

Input 1:

Input 2:

y1

Input layer

Hidden layer

Output layer

Output 1

xmInput m:

. . . . .

zn

Mat

rik b

obot

inpu

t lay

er k

e hi

dden

laye

r (w

ij)

. . . . .

. . . . .

y2 Output 2

yn Output n

..

.

Mat

rikbo

both

idde

n la

yer k

eou

tput

laye

r (v i

j)

..

.

Gambar 6. ANN Multi-Layer Perceptron


Halaman 5

2.4. Proses Training

Proses training/pelatihan/belajar yang dimaksud adalah optimasi bobot koneksi dengan menggunakan suatu algoritma training untuk meningkatkan performa ANN dengan berangsur-angsur merubah setiap bobot koneksi yang terdapat pada jaringan melalui proses perhitungan iterasi yang dilakukan sampai tidak ada lagi peningkatan performa lebih lanjut yang dicapai, bertujuan mencari solusi optimal yang biasanya merupakan permasalahan optimasi nonlinier, ilustrasi kondisi ini diperlihatkan Gambar 7. Proses optimasi bobot koneksi biasa dikenal sebagai kalibrasi model, ekivalen dengan fase estimasi parameter pada model statistik konvensional.

-3.0

00

-2.0

00

-1.0

00

0.0

00

1.0

00

2.0

00

3.0

00

4.0

00

5.0

00

6.0

00

-3.0

00

-2.0

00

-1.0

00

0.0

00

1.0

00

2.0

00

3.0

00

4.0

00

5.0

00

6.0

00

0.0

2.0

4.0

6.0

8.0

10.0

12.0

14.0

Error

W1

W2

w*

w0

Error

Solusi sub optimal

Bobot

Solusi optimal

Gambar 7. Error Dalam Pencarian Solusi Optimal 2.5. Pemodelan ANN

Dalam mengembangkan model ANN diperlukan langkah-langkah yang sistematis untuk mendapatkan model dengan performa yang baik. Langkah-langkah yang dimaksud yaitu menentukan variabel input-output, divisi data, pra pemrosesan data, menentukan arsitektur jaringan, inisiasi bobot koneksi, menentukan kriteria performa, pemilihan metode optimasi pada proses training, kriteria berhenti, dan analisa sensitifitas. Langkah-langkah tersebut dijelaskan pada sub bagian berikut. 2.5.1. Menentukan Variabel Input-Output

Langkah penting pertama dalam mengembangkan model ANN adalah memilih variabel input yang memiliki pengaruh yang paling signifikan terhadap performa output dari model. Variabel input dalam jumlah banyak akan memperbesar ukuran jaringan, yang akan berakibat pada penurunan kecepatan proses training dan penurunan efisiensi jaringan. 2.5.2. Divisi Data

Model ANN dapat melakukan geralisasi berupa interpolasi nonlinier sesuai data input-output yang ada. Tidak seperti metode statistik konvensional, ANN secara umum memiliki nilai parameter yang lebih banyak berupa bobot koneksi sehingga dapat terjadi overfitting pada data training, terutama jika data training memiliki gangguan (noise). Dengan kata lain proses kalibrasi lebih akan menuju proses “mengingat” daripada “generalisasi”. Untuk mengatasi kondisi ini maka diperlukan proses validasi untuk memastikan model mampu melakukan generalisasi sesuai rentang data yang digunakan dalam proses kalibrasi. Sehingga dalam suatu data set yang akan digunakan dalam mengembangkan model ANN perlu dilakukan divisi data menjadi tiga sub-set data, yaitu data training, data validasi, dan data testing. Data training digunakan untuk menyesuaikan bobot koneksi, data validasi digunakan untuk mengontrol error


Halaman 6

yang terjadi saat proses training, sedangkan data testing digunakan untuk mengecek kemampuan ANN dalam melakukan generalisasi. Cara pembagian divisi data dapat mempengaruhi secara signifikan hasil yang pemodelan, karena ANN memiliki kesulitan dalam melakukan ekstrapolasi di luar rentang data yang digunakan dalam kalibrasi model maka nilai minimum dan maksimum pada data input-output harus masuk di dalam data training dan data validasi. Prinsip divisi data diilustrasikan pada Gambar 8, titik kotak hitam mewakili data training dan validasi, sedangkan titik kotak putih mewakili data testing.

Gambar 8. Prinsip Divisi Data 2.5.3. Pra Pemrosesan Data

Langkah berikutnya adalah melakukan pra pemrosesan data menjadi bentuk yang tepat sebelum diaplikasikan pada ANN. Pra pemrosesan data dilakukan untuk memastikan semua data menerima perhatian yang sama selama proses training, serta dapat mempercepat proses training. Data output harus diskalakan sesuai dengan fungsi aktivasi yang digunakan pada output layer, sedangkan untuk data input tidak perlu dilakukan tapi selalu disarankan untuk juga dilakukan. Untuk merubah menjadi rentang nilai skala antara 0 sampai 1 digunakan persamaan 6, sedangkan untuk merubah menjadi rentang nilai skala antara –1 sampai 1 sesuai persamaan 7.

x = (Xdata – Xmin) / (Xmax – Xmin) ...(6)

x = [ 2 (Xdata – Xmin) / (Xmax – Xmin) ] – 1 ...(7)

2.5.4. Arsitektur Jaringan

Menentukan arsitektur jaringan merupakan salah satu kegiatan yang paling utama dan sulit dalam mengembangkan model ANN, yaitu penentuan jumlah layer dan jumlah neuron pada setiap layer. Tetapi tidak ada satupun teori yang dapat menjelaskan untuk menentukan arsitektur jaringan yang optimal, biasanya arsitektur jaringan didapat dengan menentukan jumlah layer dan jumlah neuron pada setiap layer. Jaringan dengan lebih dari satu hidden layer dapat memperbesar ukuran jaringan yang berakibat pada penurunan kecepatan proses training serta tidak akan menemukan solusi umum, tetapi menjadi terlalu spesifik atau overtraining. 2.5.5. Inisiasi Bobot

Inisiasi/pemilihan bobot awal sangat mempengaruhi ANN dalam mencapai minimum global atau mungkin hanya minimum lokal terhadap nilai error pada saat dilakukan proses training, selain itu juga berpengaruh juga terhadap durasi proses proses training untuk mencapai konvergensi. Dengan mengubah bobot awal maka titik start error saat melakukan pemodelan dapat dimodifikasi, konsep ini diperlihatkan pada Gambar 9. Pada kondisi A, hasil final dari pemodelan akan memberikan solusi sub optimal, sedangkan pada kondisi B akan tercapai solusi optimal. Inisiasi bobot awal menggunakan bilangan acak antara 0 sampai 1, dimana untuk masing-masing arsitektur jaringan dicoba dengan beberapa macam bobot awal acak.


Halaman 7

Err

or

Bobot

Titik startSolusi sub optimal

Err

or

Titik start

Solusi optimal

Kondisi A Kondisi B

Bobot

Gambar 9. Pengaruh Perubahan Bobot Awal 2.5.6. Kriteria Performa

Untuk mengukur performa model diperlukan penetapan kriteria performa sebelumnya, berfungsi untuk mengukur ketepatan model dalam memprediksi suatu keadaan. Beberapa kriteria performa yang ada antara lain: Mean Absolute Error (MAE) / Mean Absolute Deviation (MAD); Mean Squared Error (MSE); Mean Absolute Percentage Error (MAPE) / Mean Magnitude of Relative Error (MMRE); Root Mean Squared Error (RMSE); Largest Absolute Percentage Error (LAPE); Koefisien korelasi (r); Koefisien determinasi (r2); dan lain-lain. Pada proses pemodelan ANN dapat digunakan hanya satu kriteria atau beberapa kriteria performa digunakan secara bersamaan, tetapi secara umum digunakan kriteria performa lebih dari satu secara bersamaan dalam usaha mencari nilai bobot koneksi yang seoptimal mungkin. 2.5.7. Algoritma Training

Algoritma training yang umum digunakan untuk proses training adalah algoritma Backpropagation, yang terdiri dari metode Gradient Descent dan Gradient Descent With Momentum. Proses perhitungan kedua metode ini terlalu lambat untuk menyelesaikan permalahan yang ada, membutuhkan ratusan atau bahkan ribuan kali iterasi. Saat ini telah dikembangkan algoritma training dengan performa lebih baik yang mampu mencapai kondisi konvergen antara 10 sampai 100 kali lebih cepat daripada algoritma Backpropagation, antara lain: algoritma Resilient Backpropagation; algoritma Conjugate Gradient; algoritma quasi-Newton; algoritma Levenberg-Marquardt.

2.5.8. Kriteria Berhenti

Kriteria berhenti digunakan untuk memutuskan kapan saatnya menghentikan proses training untuk mencegah terjadinya overtraining, selain itu juga untuk menentukan apakah model telah dilatih secara optimal atau sub optimal, sebagai ilustrasi diperlihatkan Gambar 10. Metode penghentian awal digunakan sebagai kriteria berhenti, proses pelatihan akan dihentikan ketika error pada proses validasi akan mulai meningkat atau dengan kata lain meminimalkan error seluruh data set.


Halaman 8

Err

or

Iterasi proses training

Validasi

Training

Titik optimal

proses training

Gambar 10. Titik Optimal Proses Training 2.5.9. Analisa Sensitifitas

Setelah model ANN berhasil dikembangkan dan diuji, langkah berikutnya adalah melakukan analisa sensitifitas secara grafis dan analitis seperti sebagai berikut: Analisa sensitifitas grafis berupa visualisasi plot 2 dimensi (2D) atau 3 dimensi (3D) dengan variabel

output sebagai sebuah fungsi dari setiap variabel input, dalam membuat grafik selain variabel yang ditinjau menggunakan nilai rata-rata atau nilai tengah antara nilai minimum dan maksimum. Evaluasi bertujuan untuk mengetahui pengaruh dari setiap variabel input terhadap output yang dihasilkan, untuk kemudian memeriksa konsistensi logis pada kontinuitas hasil prediksi model terhadap teori atau pengetahuan yang ada.

Analisa sensitifitas analitis berfungsi untuk mengetahui bobot relatif atau besar pengaruh setiap variabel input terhadap output, sehingga dapat diketahui variabel input mana yang memiliki pengaruh yang signifikan terhadap hasil prediksi. Untuk menganalisanya dapat menggunakan proses komputasi bobot-bobot dalam hidden layer seperti yang diajukan oleh Garson (1991) atau Olden (2004) (Shahin dkk, 2009).

2.6. Software

Pada proses training pasti terjadi perhitungan iterasi yang panjang dan melelahkan bila dilakukan secara manual, apapun algoritma yang digunakan. Sehingga diperlukan bantuan software untuk pelaksanaan perhitungan iterasi, beberapa software untuk tujuan tersebut sudah cukup banyak tersedia di pasaran, diantaranya adalah: Matlab dari The MathWorks, Inc.; Visual Basic; NeuralWorks Predict dari NeuralWare; Neuframe dari Neurosciences Corp.;

Neuro Solutions dari NeuroDimension, Inc.; NeuroShell; Microsoft Excel (add-in program Solver); dan lain-lain.

2.7. Perbandingan Metode Konvensional dengan ANN

Beberapa kelebihan dan kekurangan ANN dibandingkan dengan teknik pemodelan konvensional matematika dan statistik, ditampilkan dalam Tabel 1 dan 2.

Tabel 1. Perbandingan Matematika dengan ANN

No. Matematika ANN

1. Memerlukan asumsi untuk menyederhanakan permasalahan yang akan dimodelkan (-)

Tidak diperlukan asumsi apapun untuk menyederhanakan permasalahan (+)

2. Sering tidak mencapai hasil optimal (-) Berpeluang besar mencapai hasil optimal (+)

3. Model bersifat statis (-) Model bersifat dinamis (+)

4. Bila model memiliki nilai performa baik, akan memberikan hasil prediksi yang konsisten (+)

Walaupun model memiliki nilai performa baik, diperlukan pemeriksanaan konsistensi hasil prediksi (-)

5. Tidak ada masalah dengan ekstrapolasi (+) Memberikan performa terbaik saat tidak melakukan ekstrapolasi (-)

Keterangan: (+) = kelebihan (-) = kekurangan


Halaman 9

Tabel 2. Perbandingan Statistik dengan ANN

No. Statistik ANN

1. Memiliki struktur dan jumlah parameter model tertentu yang berupa operasi linier dan nonlinier terbatas, cenderung kaku (-)

Secara umum memiliki struktur yang dapat diatur sesuai kebutuhan dengan jumlah parameter lebih banyak berupa bobot koneksi, lebih fleksibel (+)

2. Untuk permasalahan yang kompleks akan sulit sekali menemukan model yang tepat karena biasanya berupa permasalahan nonlinier bebas (-)

Memiliki peluang jauh lebih besar untuk mendapatkan hasil optimal pada permasalahan kompleks yang umumnya bersifat nonlinier bebas (+)

3. Terdapat standar pengembangan model (+) Tidak adanya standar pengembangan model (-)

4. Bila model memiliki nilai performa baik, akan memberikan hasil yang konsisten (+)

Walaupun model memiliki nilai performa baik, diperlukan pemeriksanaan konsistensi hasil (-)

5. Probabilistik (+) Deterministik, untuk probabilistik diperlukan analisa lebih lanjut yang rumit (-)

Keterangan: (+) = kelebihan (-) = kekurangan

2.8. Hybrid Neural Network

Istilah “hybrid” berarti sesuatu yang berasal dari sumber yang bermacam-macam/heterogen, atau terdiri dari elemen-elemen yang berbeda-beda. Untuk meningkatkan tingkat akurasi hasil prediksi dari ANN, dibuatlah Hybrid Neural Network (HNN) yang biasanya merupakan hasil kombinasi dari ANN, Fuzzy Logic, dan Evolutionary Algorithm. Fuzzy Logic berfungsi untuk menghadapi faktor ketidak pastian model, sedangkan Evolutionary Algorithm merupakan metode optimasi global, yang paling dikenal adalah Genetic Algorithm dan Simulated Annealing. Keuntungan metode optimasi global tersebut adalah kemampuan untuk mencapai solusi optimal atau mendekati solusi optimal, tetapi kelemahannya adalah proses komputasi yang lama untuk mencapai kondisi konvergen.

3. Aplikasi ANN pada Bidang Jalan dan Jembatan di Indonesia ANN telah diaplikasikan pada bidang jalan dan jembatan di Indonesia walaupun masih pada

tahap awal, tulisan yang adapun masih sangat terbatas. Beberapa aplikasi yang ada diantaranya diulas pada sub bagian berikut ini. 3.1. Perkiraan Profil Perkerasan

Siegfried (2009) mengaplikasikan metode ANN untuk memperkirakan profil sistem perkerasan dengan menggunakan hasil pengujian FWD pada beberapa lokasi jalan di Jawa Barat. Variabel input yang digunakan adalah: AREA, Area under Pavement Profile (AUPP), Area Index (AI4), Base Curvature Index (BCI), Base Damage Index (BDI), dan Deflection Ratio (DR), dengan variabel output tebal lapisan beraspal dan tebal lapisan granular. Untuk proses training menggunakan algoritma Backpropagation. Plot hasil pelatihan dengan data pelatihan untuk lapisan beraspal dan lapisan granular secara berturut-turut diperlihatkan pada Gambar 11 dan 12. Model ANN untuk memperkirakan tebal lapisan beraspal dan tebal lapisan granular memiliki RMSE yang kecil yaitu masing-masing 1,2% dan 2,24%. Perkiraan tebal lapisan beraspal memberikan grafik yang lebih mendekati garis kesamaan (Gambar 11) dibandingkan dengan perkiraan untuk tebal lapisan granular (Gambar 12).

Disimpulkan bahwa ANN dapat menjadi salah satu metode alternatif yang cepat dan efisien dalam penentuan profil perkerasan, dimana aplikasi ANN ini dalam sistem manajemen pemeliharaan jalan bisa menghemat biaya dan waktu bila dibandingkan dengan metode konvensional yang ada seperti test pit dan core drill.


Halaman 10

Gambar 11. Hasil Pelatihan vs Data Pelatihan untuk Lapisan Beraspal

Gambar 12. Hasil Pelatihan vs Data Pelatihan untuk Lapisan Granular 3.2. Estimasi Biaya Konseptual Proyek Konstruksi Jalan

Indra Cahya Kusuma (2009) mengembangkan model ANN untuk estimasi biaya konseptual proyek konstruksi jalan, berdasarkan data-data penanganan jalan yang dilaksanakan oleh SNVT Pembangunan Jalan dan Jembatan Propinsi Jawa Barat, Direktorat Jenderal Bina Marga yang terdiri dari pembangunan jalan baru, penanganan periodik, serta pelebaran dan peningkatan jalan. Variabel input yang digunakan adalah tahun awal pelaksanaan, durasi bulan pekerjaan, panjang perkerasan, lebar perkerasan, tipe perkerasan, dan tipe terrain. Variabel output berupa besaran nilai proyek yang dikerjakan.

Software yang digunakan untuk mengembangkan model ANN adalah Matlab versi 7.5 dan Visual Basic dengan bahasa pemrograman C#. Model ANN terbaik memiliki bentuk arsitektur 6-6-1 (6 neuron input, 6 neuron hidden layer, 1 neuron output) yang dikembangkan dengan software Visual Basic bahasa pemrograman C#, algoritma Backpropagation metode Gradient Descent With Momentum. Hasil estimasi memberikan MMRE sebesar 11,44% untuk seluruh data pelatihan dan pengujian, dengan tingkat generalisasi yang baik. Plot data aktual (target) dengan data estimasi (output) diperlihatkan Gambar 13.


Halaman 11

(Data training & testing) :

Perbandingan Target dan Output sistem

0

20

40

60

80

100

0 5 10 15 20Data ke-

Bia

ya

(R

p.

Mil

ya

r)

Biaya Aktual

Biaya estimasi

Gambar 13. Plot Data Aktual (Target) Dengan Data Estimasi (Output)

Hasil analisa sensitifitas grafis pada Gambar 14 menunjukan bahwa perbedaan tahun awal pelaksanaan pekerjaan dapat menyebabkan kenaikan biaya konstruksi. Hal tersebut dikarenakan pola data yang dipelajari oleh ANN saat proses training. Pola tersebut berlaku sama untuk variabel-variabel lainnya yaitu durasi pekerjaan, panjang perkerasan, dan lebar perkerasan untuk masing-masing tipe konstruksi maupun tipe terrain. Setiap perubahan besaran variabel tersebut akan mempengaruhi kenaikan estimasi biaya konstruksi. Hasil ini cukup “common sense“ serta dapat diterapkan terhadap proyek dengan ruang lingkup yang hampir serupa dengan proyek sejenis yang telah dilaksanakan.

R2 = 0.9997

R2 = 1

R2 = 1

R2 = 0.9991

0

5

10

15

20

25

30

35

40

2004 2005 2006 2007 2008

Tahun

Est

ima

si B

iay

a K

on

stru

ksi

(Rp

.mil

ya

r)

tipe perk.1 - terrain 1 tipe perk.2 - terrain 1


Poly. (tipe perk.1 - terrain 1) Poly. (tipe perk.2 - terrain 1)


R2 = 1

R2 = 0.9994

R2 = 0.9999

R2 = 0.9986

0

10

20

30

40

50

60

70

1.2 2.9 4.5 6.1 7.8 9.4 11.0 12.7 14.3 15.9

Durasi (bln)

Est

ima

si B

iay

a K

on

stru

ksi

(Rp

.mil

ya

r)

tipe perk.1 - terrain 1 tipe perk.2 - terrain 1tipe perk.1 - terrain 2 tipe perk.2 - terrain 2

Poly. (tipe perk.1 - terrain 1) Poly. (tipe perk.2 - terrain 1)Poly. (tipe perk.1 - terrain 2) Poly. (tipe perk.2 - terrain 2)

R2 = 0.9999

R2 = 0.9996

R2 = 0.9997

R2 = 0.9992

0

10

20

30

40

50

60

70

0.7 2.0 3.2 4.5 5.7 7.0 8.2 9.5 10.7 12.0

Panjang Perkerasan (km)

Est

ima

si B

iay

a K

on

stru

ksi

(Rp

.mil

ya

r)





R2 = 0.9993

R2 = 0.9997

R2 = 0.9996

R2 = 0.9994

0

10

20

30

40

50

60

70

6.0 6.9 7.8 8.8 9.7 10.6 11.5 12.4 13.3 14.3

Lebar Perkerasan (m)

Est

ima

si B

iay

a K

on

stru

ksi

(Rp

.mil

ya

r)





Gambar 14. Analisa Sensitifitas Grafis ANN untuk Estimasi Biaya Konseptual Proyek Konstruksi Jalan

American Association of Cost Engineering, AACE (1997) menyatakan bahwa pada tahap konseptual toleransi tingkat ketelitian estimasi diharapkan berkisar antara -30% sampai +50%, sehingga dapat dinyatakan bahwa model ANN untuk estimasi biaya konseptual tersebut dapat diterima.


Halaman 12

3.3. Pengaruh Pelaksanaan Konstruksi Pada Daya Dukung Selimut Pondasi Tiang Bor Jembatan Deni Wiharjito (2010) mengembangkan model pengaruh pelaksanaan konstruksi terhadap daya

dukung selimut pondasi tiang bor diameter besar pada tanah ekspansif dengan pendekatan ANN, berdasarkan data uji beban pondasi tiang bor Jembatan Suramadu Bentang Tengah. Dari hasil simulasi didapatkan model ANN 9-2-1 (9 neuron input, 2 neuron hidden layer, 1 neuron output) memiliki kemampuan optimal dengan MAPE sebesar 7% dan r2 sebesar 0,900 dimana model memiliki kemampuan generalisasi yang baik seperti tampak pada hasil prediksi untuk data testing. Kemampuan model diperlihatkan pada Gambar 15.

1,500

1,800

2,100

2,400

2,700

3,000

3,300

3,600

1,500 1,800 2,100 2,400 2,700 3,000 3,300 3,600

Data: Qs (ton)

AN

N:

Qs (

ton

)

Data training

Data validasi

Data testing

Equal line

Error +10%

Error -10%

MAPE R2

Semua data 7.0% 0.900

Data training 7.5% 0.935

Data validasi 4.1% 1.000

Data testing 7.4% 1.000

Gambar 15. Scatter Plot Kemampuan Model ANN Daya Dukung Selimut

Sebagai perbandingan dengan teknik pemodelan konvensional, output analisa dengan regresi

linier dengan software Minitab terlihat pada Gambar 16, beberapa koefisien variabel input yang memiliki tanda positif/negatif yang tidak sesuai dengan hasil studi terdahulu yaitu N-spt rata-rata selimut tiang (Ns) bertanda negatif yang seharusnya positif, umur tiang (U) bertanda negatif yang seharusnya positif, dan specific gravity bentonite slurry setelah proses pembersihan lubang bor (SG) bertanda positif yang seharusnya negatif. Dengan kondisi ini dinyatakan pendekatan regresi linier gagal memodelkan daya dukung selimut, dikarenakan oleh model daya dukung selimut bersifat nonlinier dan kompleks.

Dari hasil analisa sensitifitas grafis 2 dimensi (2D) dan 3 dimensi (3D) didapatkan bahwa daya dukung selimut untuk kondisi sebelum dan setelah grouting meningkat sejalan dengan perubahan jenis tanah dari clay-shale menjadi sand, peningkatan nilai N-spt rata-rata selimut tiang, peningkatan panjang tiang tertanam, peningkatan diameter tiang, dan peningkatan umur tiang. Selain itu terlihat bahwa daya dukung selimut untuk kondisi sebelum dan setelah grouting menurun sejalan dengan peningkatan durasi pelaksanaan konstruksi dan peningkatan specific gravity bentonite slurry. Penggunaan alat bor jenis Auger menghasilkan daya dukung selimut yang lebih tinggi dibandingkan jenis RCD, selain itu juga terlihat bahwa grouting dapat meningkatkan daya dukung selimut. Hasil analisa sensitifitas untuk kondisi sebelum dan setelah grouting telah sesuai dengan teori rekayasa pondasi. Salah satu analisa sensitifitas grafis 3D model daya dukung selimut ditampilkan pada Gambar 17.


Halaman 13

Regression Analysis: Qs versus T, Ns, L, D, G, U, A, CD, SG The regression equation is

Qs = - 41701 + 5228 T - 60.4 Ns + 58.2 L + 3304 D + 609 G - 8.5 U

+ 1111 A - 4.41 CD + 31988 SG

Predictor Coef SE Coef T P

Constant -41701 12962 -3.22 0.032

T 5228 1530 3.42 0.027

Ns -60.40 21.63 -2.79 0.049

L 58.22 23.44 2.48 0.068

D 3304.3 556.8 5.93 0.004

G 608.6 401.0 1.52 0.204

U -8.51 11.58 -0.73 0.503

A 1110.8 464.4 2.39 0.075

CD -4.409 2.440 -1.81 0.145

SG 31988 10450 3.06 0.038

S = 187.4 R-Sq = 97.0% R-Sq(adj) = 90.3%

Analysis of Variance

Source DF SS MS F P

Regression 9 4584926 509436 14.51 0.010

Residual Error 4 140443 35111

Total 13 4725368

Gambar 16. Output Analisa Regresi Linier Daya Dukung Selimut dengan Software Minitab

Gambar 17. Analisa Sensitifitas Grafis 3D Model Daya Dukung Selimut Sebelum Grouting (G = 0) dan Jenis Alat Bor RCD (A = 0)


Halaman 14

Hasil analisa sensitifitas analitis dengan metode Garson (1991) disajikan dalam Gambar 18, dimana bobot relatif terbesar dimiliki oleh variabel diameter tiang (D) dengan mendominasi pengaruh terhadap daya dukung selimut sebesar 21,9%. Sedangkan bobot relatif untuk variabel lainnya relatif kecil yang terdistribusi merata dengan nilai antara 6,4%-15,4%.

21.9%

15.4%

13.5%

10.6%9.4%

8.5% 7.9%6.5% 6.4%

0%

5%

10%

15%

20%

25%

D Ns A CD U G L SG T

Gambar 18. Bobot Relatif Model Daya Dukung Selimut

Dari hasil pemodelan ANN didapatkan bahwa pemilihan jenis alat bor yang tidak tepat, durasi

pelaksanaan konstruksi yang lama, serta banyak kandungan bentonite slurry pada lubang bor dapat mereduksi daya dukung selimut. Model ANN ini dapat dijadikan sebagai salah satu acuan dalam pelaksanaan pekerjaan konstruksi pondasi tiang bor serupa sehingga akan didapatkan daya dukung yang optimal, pada akhirnya dapat mendorong sektor konstruksi yang lebih efisien, efektif dan bernilai tinggi bagi kenyamanan lingkungan terbangun.

4. Potensi Implementasi ANN Pada Penyelenggaraan Jalan dan Jembatan di Indonesia

Implementasi ANN sangat luas, sama seperti implementasi matematika dan statistik yang diimplementasikan di berbagai bidang. Sehingga implementasi ANN pada penyelenggaraan jalan dan jembatan di Indonesia juga memiliki potensi yang sangat besar, dimana sebagai teknik pemodelan tingkat lanjut yang memiliki peluang besar memberikan model yang optimal dapat digunakan untuk memprediksi suatu kondisi berdasarkan data-data historis. Karakteristik model dapat dipelajari untuk membantu pemahaman kondisi yang ada.

Direktorat Jenderal Bina Marga sebagai salah satu ditjen teknis pada Kementerian Pekerjaan Umum (PU) mempunyai tugas merumuskan serta melaksanakan kebijakan dan standardisasi teknis di bidang bina marga/jalan dan jembatan. Dalam melaksanakan fungsinya sebagai penyelenggara jalan dan jembatan memiliki siklus manajemen yang dimulai dari adanya perumusan kebijakan berupa konsep dan asas yang menjadi pedoman dan dasar rencana dalam pelaksanaan suatu kegiatan. Lalu kebijakan diterjemahkan menjadi perencanaan serta dilanjutkan menjadi prioritas program dan program tahunan untuk kemudian dibuatkan usulan kebutuhan penganggaran beserta pengendalian anggarannya. Siklus berlanjut menuju pembuatan desain untuk kemudian ditindak lanjuti dengan pengadaan tanah serta pelaksanaan konstruksi. Setelah masa konstruksi berakhir maka dilanjutkan dengan kegiatan operasi dan pemeliharaan, terakhir dilakukan evaluasi kinerja. Seluruh kegiatan tersebut dari perumusan kebijakan sampai evaluasi kinerja dicatat menjadi suatu data base yang akan digunakan sebagai dasar perumusan kebijakan serta seluruh kegiatan berikutnya. Siklus manajemen ini diperlihatkan pada Gambar 19. Seperti telah dijelaskan, seluruh kegiatan pada siklus manajemen penyelenggaraan jalan dan jembatan dicatat dan disimpan menjadi suatu data base, dimana data ini bila diperlukan dapat digunakan untuk mengembangkan model ANN sehingga dapat dipelajari karakteristik permasalahan yang ada secara mendalam dan komprehensif agar proses pengambilan keputusan menjadi lebih baik. Yang masih menjadi kendala utama saat ini adalah lokasi data base yang masih belum terintegrasi seluruhnya, beberapa data penting keberadaannya masih tersebar di satker-satker terkait, sehingga agak menyulitkan pengumpulannya bila dibutuhkan dalam waktu singkat.

http://id.wikipedia.org/wiki/Konsep

http://id.wikipedia.org/w/index.php?title=Pedoman&action=edit&redlink=1


Halaman 15

Operasi &

Pemeliharaan

Konstruksi

Pengadaan

Tanah

Desain

Kebijakan

Penganggaran

Program

Perencanaan

DATA BASE

Evaluasi

Gambar 19. Siklus Manajemen Penyelenggaraan Jalan dan Jembatan

Setiap tahapan kegiatan pada siklus manajemen tersebut sangat penting, karena mempengaruhi tahapan selanjutnya secara langsung. Apalagi Direktorat Jenderal Bina Marga pada kurun waktu 4 tahun terakhir ini memiliki anggaran tertinggi, sehingga kegagalan pencapaian target penyerapan Direktorat Jenderal Bina Marga akan mempengaruhi juga target penyerapan Kementerian PU secara signifikan. Gambar 20 memperlihatkan besarnya anggaran dan porsi anggaran Direktorat Jenderal Bina Marga terhadap Kementerian PU tahun anggaran 2006-2011.

Gambar 20. Anggaran Direktorat Jenderal Bina Marga

Beberapa isu permasalahan utama pada pelaksanaan penyelenggaraan jalan dan jembatan di Indonesia antara lain: Masih banyaknya titik kemacetan lalu-lintas di perkotaan terutama di kota metropolitan seperti

Jakarta, Bandung, Semarang, Surabaya, Medan, Palembang, Denpasar, dan Makasar; Masih dominannya hambatan penyediaan tanah; Pembebanan berlebih (overloading) masih terjadi, terutama di lintas Pantura Jawa dan lintas

Timur Sumatera; Meningkatkan/mempertahankan tingkat kenyamanan prasarana jalan dengan keterbatasan

alokasi pendanaan untuk penanganan jaringan jalan. Untuk memecahkan masalah-masalah tersebut tentu bukan perkara yang mudah, karena tidak hanya melibatkan personil di internal penyelenggara jalan dan jembatan, tapi juga memerlukan koordinasi lintas instansi terkait dan juga berhubungan dengan masyarakat luas. Kerugian yang terjadi akibat masalah-masalah tersebut sebagian besar baru diketahui secara kualitatif ataupun bila diketahui secara kuantitatif masih berdasarkan metode konvensional yang sub optimal. ANN dalam hal ini bila diperlukan dapat berperan dengan memberikan estimasi nilai kuantitatif kerugian secara akurat, dan juga dapat diketahui karakteristik permasalahan yang terjadi, serta dapat dipelajari variabel mana saja yang memberikan pengaruh besar untuk kemudian ditindak lanjuti dengan mencari solusi yang tepat dalam menanganinya.


Halaman 16

5. Kesimpulan Dari pembahasan yang telah dilakukan seperti tersebut di atas, maka dapat ditarik beberapa

kesimpulan akhir sebagai berikut: 1) ANN merupakan salah satu teknik pemodelan kuantitatif yang berdasarkan suatu kumpulan data

untuk menentukan parameter model, secara umum memiliki struktur yang dapat diatur sesuai kebutuhan dengan nilai parameter lebih banyak yang berupa bobot koneksi, kondisi ini membuat model ANN lebih fleksibel dan memiliki peluang besar untuk mendapatkan hasil optimal pada permasalahan kompleks yang umumnya bersifat nonlinier.

2) ANN telah diaplikasikan pada bidang jalan dan jembatan di Indonesia walaupun masih pada tahap awal dan tulisan yang ada masih sangat terbatas. Pada makalah ini telah dibahas beberapa aplikasi ANN yang meliputi Perkiraan Profil Perkerasan (Siegfried, 2009), Estimasi Biaya Konseptual Proyek Konstruksi Jalan (Indra, 2009), dan Pengaruh Pelaksanaan Konstruksi Pada Daya Dukung Selimut Pondasi Tiang Bor Jembatan (Wiharjito, 2010), dimana model ANN pada ketiga tulisan tersebut berhasil dengan baik.

3) Implementasi ANN pada penyelenggaraan jalan dan jembatan di Indonesia memiliki potensi yang sangat besar dan luas, diantaranya pada proses pengambilan keputusan sesuai siklus manajemen penyelenggaraan jalan dan jembatan, selain itu sehubungan dengan beberapa isu permasalahan utama dapat berperan untuk memberikan estimasi nilai kuantitatif kerugian secara akurat beserta karakteristiknya untuk kemudian ditindak lanjuti dengan mencari solusi yang tepat dalam menanganinya.

Daftar Pustaka

Anderson, D. and McNeil, G. (1992) ”Artificial Neural Networks Technology.” 775 Daedalian Drive, Rome.

Demuth, H. and Beale, M. (1998) ”Neural Network Toolbox for Use in Matlab.” MathWorks, Inc., USA.

Fausett, L. V. (1994) “Fundamentals Neural Networks: Architecture, Algorithms, and Applications.” Prentice-Hall, Englewood Cliffs, N.J.

Garson, G. D. (1991) “Interpreting neural-network connection weights.” AI Expert, Vol. 6, No. 7.

Kusuma, I.C. (2009) “Estimasi Biaya Konseptual Proyek Konstruksi Jalan Dengan Artificial Neural Network Untuk Peningkatan Akurasi.” Tesis. Fakultas Teknik Program Studi Teknik Sipil, Depok.

Neural Connection (1997) ”Neural Connection 2.0 User’s Guide.” SPSS Inc and Recognition Systems Inc. USA.

Shahin, M.A., Jaksa, M.B., and Maier, H.R. (2009) “Recent Advances and Future Challenges for Artificial Neural Systems in Geotechnical Engineering Applications.” Advances in Artificial Neural Systems, Volume 2009, Article ID 308239.

Siegfried (2009) “Perkiraan Profil Perkerasan Menggunakan Metoda Jaringan Syaraf Buatan.” Kolokium Hasil Penelitian dan Pengembangan Jalan dan Jembatan TA 2009. Pusat Penelitian dan Pengembangan Jalan dan Jembatan, Bandung.

Undang-Undang Republik Indonesia Nomor 38 tahun 2004 tentang Jalan.

Wiharjito, D. (2010) “Pemodelan Pengaruh Pelaksanaan Konstruksi Terhadap Daya Dukung Pondasi Tiang Bor Diameter Besar Pada Tanah Ekspansif.” Lomba Karya Tulis Konstruksi Indonesia 2010. Pusat Pembinaan Keahlian dan Teknik Konstruksi, Badan Pembinaan Konstruksi, Kementerian PU, Jakarta.

Ucapan Terima Kasih

Syukur alhamdulillah Penulis ucapkan kepada Allah S.W.T. atas rahmat dan karunia-Nya sehingga dapat menyelesaikan makalah ini. Terima kasih untuk istriku tercinta Nur Asri Amalria Shally, putraku tersayang Muhammad Fahmi Niryandito, dan keempat orang tuaku yang telah memberikan motivasi dan semangat untuk menyelesaikan makalah ini, serta para pimpinan dan rekan-rekan di lingkungan Kegiatan Pelaksanaan Jalan Bebas Hambatan Tanjung Priok E2 dan di Satker atas dukungannya.


Halaman 17

Biodata Penulis

Deni Wiharjito lahir di Surabaya tahun 1980. Setelah lulus dari SMU Negeri di Surabaya pada tahun 1998, melanjutkan studi di Jurusan Teknik Sipil, Fakultas Teknik Sipil dan Perencanaan (FTSP), Institut Teknologi Sepuluh Nopember (ITS) Surabaya yang diselesaikan pada tahun 2003. Tahun 2006 menyelesaikan studi di Program Pascasarjana ITS Surabaya pada Program Studi Magister Manajemen Teknologi (MMT) bidang keahlian Manajemen Proyek.

Tahun 2003 bekerja pada Konsultan Perencanaan dan Supervisi, lalu tahun 2004 bekerja di Proyek Pembangunan Jembatan Suramadu. Tahun 2005 diangkat menjadi CPNS Kementerian PU pada Satminkal Direktorat Jenderal Bina Marga, ditempatkan di Induk Pembangunan Jembatan Suramadu. Tahun 2007 sampai 2009 ditempatkan di Satuan Kerja Sementara Pembangunan Jembatan Nasional Suramadu Bentang Tengah. Pada awal tahun 2010 sampai dengan sekarang ditugaskan pada Kegiatan Pelaksanaan Jalan Bebas Hambatan Tanjung Priok Seksi E2.

Artificial Neural Network Jalan Dan Jembatan Deni Wiharjito

Documents