HYBRID ARTIFICIAL INTELLIGENCE ALGORITHM DALAM PENGEMBANGAN APLIKASI SISTEM INFORMASI WEBGIS – BASED HYBRID DECISION SUPPORT SYSTEM PENGELOLAAN… [618977]

[DRAFT PENELITIAN ]
HYBRID ARTIFICIAL INTELLIGENCE ALGORITHM
DALAM PENGEMBANGAN APLIKASI SISTEM INFORMASI WEBGIS –
BASED HYBRID DECISION SUPPORT SYSTEM PENGELOLAAN DAERAH ALIRAN SUNGAI

Oleh:
Jalaluddin Rumi Prasad1
e-mail: [anonimizat]

ABSTRAK

Daerah Aliran Sung ai (DAS) sebagai sebuah wilayah ekologis dan ekosistem, dalam
pengelolaannya menggunakan berbagai pendekatan ilmu geografi yang bersifat
interdi sipliner dengan metode analisis saintifik multi dimensi . Pada sisi yang lain kecerdasan
manusia besifat terbatas ketika berhadapan dengan keharusan mengambil keputusan
secara cepat, tepat, dan akurat untuk menentukan kebijakan pengelolaan yang sesuai
berda sarkan gejala alam dan perilaku manusia pada suatu wilayah DAS . Minimnya pakar,
keterbatasan anggaran, serta banyaknya kepentingan menjadi tingginya risiko tidak
tercapainya keakuratan keputusan secara cepat dan tepat berdasarkan hukum dan
perundang -undang an pengelolaan DAS yang berlaku di Indonesia . Ilmuan dibidang
teknologi informasi dan komunikasi kemudian telah mengembangkan Management Support
System (MSS) sebagai solusi meminimalisir risiko pengambilan keputusuan ditingkat
manajemen. Berbagai rekomenda si ilmiah telah hadir agar mengintegrasikan Decision
Support Systems (DSS) dan Expert Systems (ES) sebagai teknologi pendukung untuk
menentukan keputusan dalam mengelola sumber daya manusia, anggaran, ener gi,
material, ruang, dan waktu yang dimiliki . Penel itian ini bertujuan untuk menghadirkan
model pengembangan aplikasi sistem informasi WebGIS bersifat Open Source berbasis
Decision Support System terintegrasi Expert System yang bertugas melakukan pengelolaan
data dan informasi DAS melalui monitoring dan ev aluasi Daya Dukung DAS dan Kinerja DAS
dengan menerapkan berbagai algoritma artificial intelligence secara hibrida sebagai
kecerdasan entitas sains yang ditanamkan pada teknologi aplikasi sistem informasi
tersebut. Pengembangan aplikasi sistem informasi ini juga mengambil model monitoring
dan evaluasi Pengelolaan DAS yang telah ditetapkan oleh pemerintah dan perundang –
undangan sebagai regulasi Negara demi memperkuat dukungan terhadap sebuah keputusan
yang akan diambil oleh pemegang kebijakan pengelolaan DAS ataupun Pengelolaan Sumber
Daya Air (PSDA) di Indonesia.

Keyword: Pengelolaan DAS, WebGIS , Decision Support Systems , Expert Systems , Artificial
Intelligence , Hybrid Algorithm

1 Author Tlp. +62 -85298856547

WEBGIS – BASED HYBRID DECISION SUPPORT SYSTEM

2 1. Pendahuluan
a. Latar Belakang Masalah
Pengelolaan Daerah Aliran Sungai (DAS) di Indonesia memiliki berbagai
perangkat hukum dan perundang -undangan yang mengikat seluruh lapisan
masyarakat dan kelembagaan. Perangkat hukum yang khusus untuk mengatur
teknologi s istem informasi pengelolaan DAS dapat kita jumpai pada Peraturan
Menteri Kehutanan Nomor P.67/MENHUT -II/2014 TAHUN 2014 tentang Sistem
Informasi Pengelolaan Daerah ALiran Sungai yang disingkat SIPDAS . Berangkat dari
penjelasan yang terdapat pada peraturan menteri tersebut mengenai SIPDAS
merupakan aplikasi sistem informasi berbasis Web GIS yang di bangun
menggunakan berbagai software yang bersifat open Source . Software yang
digunakan tersebut antara lain PostGIS dan Geoserver , sehingga dapat disimpulkan
bahwa SIPDAS bertugas sebagai sarana untuk menyimpan, menampilkan, dan
mendistribusikan berbagai informasi geospasial DAS dari seluruh Indonesia, atau
dengan kalimat lain SIPDAS sebagai media komunikasi data dan informasi geospasial
DAS.
Disisi lain teknologi SIPDAS tidak dipersiapkan untuk melakukan kegiatan
analisis saintifik secara detail guna mendukung pengambilan keputusan diberbagai
wilayah DAS sebagaimana telah diatur pada Peraturan Menteri Kehutanan Nomor P.
61 /MENHUT -II/2014 mengenai metode dalam mel akukan monitoring dan evaluasi
(monev) Daya Dukung DAS dan monev Kinerja DAS berdasarkan Peraturan Ditjen
RLPS Nomor P.04/V -SET/2009. Teknologi SIPDAS menjawab kebutuhan data dan
informasi guna pengambilan keputusan pemerintah pusat, tapi belum menjawab
hambatan kebutuhan teknologi sistem informasi regional di tiap -tiap daerah di
Indonesia untuk mengelola data DAS menjadi sebuah informasi yang dapat
direkomendasikan bagi pemerintah pusat.
Permasalahan yang dapat hadir adalah, jika organisasi ditingkatan baw ah tidak
dapat melakukan analisis berbagai variabel data DAS secara cepat, tepat, dan akurat
maka rekomendasi yang diberikan bagi pengambil keputusan di tingkat pusat
menjadi tidak tepat sasaran dalam menentukan langkah kebijakan pengelolaan DAS
sebagaiman a diatur pada PP Nomor 37 Tahun 2012. Tuntutan untuk menemukan
sumber masalah secara tepat dengan tingkat akurasi yang tinggi pada wilayah DAS
juga menjadi keharusan sebelum merencanakan dan melaksanakan kebijakan
konservasi tanah dan air yang diamanahkan pada UU Nomor 37 Tahun 2014.
Permen Kehutanan Nomor P.67/Menhut -II/2014 menjelaskan bahwa SIPDAS
merupakan teknologi untuk menampilkan data spasial hasil pengolahan Geographic
Information System (GIS) atau Sistem Informasi Geografi (SIG) sebagai alat
peren canaan program secara cepat dan umum (tidak detil). Sistem tersebut memuat
standar minimal dalam penyampaian informasi dan analisis praktis yang diperlukan
dalam proses pengambilan keputusan. Dari penjelasan tersebut kemudian
tergambarkan bahwa SIPDAS buk anlah aplikasi sistem informasi yang dipersiapkan
untuk melakukan analisis selayaknya SIG.
Kekuatan dari tingkat keakuratan dari SIPDAS sangat ditentukan oleh tingkat
keakuratan analisis data DAS yang dilakukan di level bawah atau pemerintah yang
berwenang di daerah sehingga SIPDAS membutuhkan teknologi pendukung pada
level bawah untuk menjadi teknologi Sistem Pendukung Keputusan (SPK) atau
Decision Support System (DSS) sebagaimana telah ditetapkan pada oleh pemerintah
pusat melalui PP Nomor 37 Tahun 2012 y ang menyatakan bahwa SIP DAS sebagai
bagian dari Simpul Data Spasial Nasional paling sedikit memuat sistem pendukung
pengambilan keputusan dalam pengelolaan DAS.
Selain persoalan teknologi yang tidak terintegrasi DSS namun telah ditetapkan
Permen Kehutanan Nomor P.67/Menhut -II/2014 , kurangnya pakar DAS yang

WEBGIS – BASED HYBRID DECISION SUPPORT SYSTEM

3 memiliki kepakaran secara teknologi maupun saintis di daerah juga menjadi
hambatan dan tantangan tersendiri dalam melahirkan rekomendasi sesuai sasaran
secara cepat, tepat, dan akurat. Hambatan tersebut k emudian bagi penulis juga
menjadi sesuatu yang harus dipertimbangkan dalam pengembangan teknologi dari
SIPDAS untuk menghadirkan secara terintegrasi teknologi Sistem Pakar atau Expert
System (ES) pada pengembangan SIPDAS kedepan.
Terintegrasinya teknologi sistem informasi ES dan DSS kedalam SIPDAS untuk
di gunakan baik pada tingkat pusat terlebih daerah, menjadikan SIPDAS menjadi
teknologi Hybrid Decision Support System (HDSS) yang diharapkan dapat menjawab
semua tantangan dan menjadi solusi tehadap hambat an teknologi dalam pengelolaan
DAS. S ebagai bagian dari Simpul Data Spasial Nasional , SIPDAS wajib berbentuk
WebGIS sehingga SIPDAS diharapkan menjadi WebGIS yang berbasiskan HDSS.
Perlu dikemukakan juga bahwa berbagai peneliti mengungkapkan
keresahannya m engenai beberapa keterbatasan yang membuat GIS tidak efisien
dalam pengambilan keputusan terutama untuk multi kriteria . Keterbatasan terbesar
pada GIS dipasaran saat ini didasarkan pada landasan logika yang tidak tepat. GIS
saat ini didominasi berdasarkan logika boolean (Karabegovic, Avdagic, & Ponjavic,
2006) . Sebelumnya telah dijelaskan bahwa SIPDAS yang saat ini tengah berdiri
diatas pondasi teknologi PostGIS dan Geoserver tentunya menjadi teknologi
komunikasi data geospasial yang sebelumnya telah diolah oleh aplikasi GIS Desktop .
Sebagai contoh kasus kecil pada klasifikasi Investasi Bangunan Air (IBA):
 Apabila sebuah bangunan bernilai 55 milyar, maka investasi bangunan air
tersebut dikatakan TINGGI ([55 milyar] = 35 ≤ IBA ≤5 5 milyar rupiah).
 Apabila sebuah bangunan bernilai 55 milyar 100 ribu, maka investasi
bangunan air tersebut dikatakan SANGAT TINGGI ([55 milyar 100 ribu] =
>55 milyar rupiah).
Dari kasus tersebut menunjukkan potensi ambigu penafsiran dimana sedikit
perubah an kecil sekalipun pada suatu nilai mengakibatkan perbedaan klasifikasi
yang cukup signifikan. Untuk parameter fisik yang juga krusial, penggunaan logika
boolean tersebut pada analisis GIS sangat berpotensi menghadirkan distorsi yang
lebih besar jika jumla h kriterianyas jauh lebih banyak terlebih jika bersamaan
dengan analisis fenomena yang juga sangat variatif.
Sebelum GIS menjadi lebih kompleks, dan cerdas, metode Soft Computing (SC)
akan menjadi pendekatan hemat biaya untuk memperbaiki kemampuannya sebag ai
solusi dari permasalahan (Kirankumar & Jayaram, 2008) . Lebih lanjut Kirankumar
dan Jayaram m enjelaskan bahwa penerapan teknik SC seperti logika fuzzy, jaringan
syaraf tiruan dan algoritma genetika dalam analisis, pengolahan dan interpretasi
data spasial yang sangat kompleks menjadi berbagai solusi yang dihasilkan di GIS.
Soft Computing (SC) merupakan sekumpulan metodologi yang berkembang
secara terus -menerus yang tujuan utamanya adalah untuk menghasilkan mesin ber –
IQ tinggi . Satu hal yang sangat penting dalam SC adalah antara satu bidang ilmu
dengan bidang ilmu lainnya saling melengkapi dan berkontribusi untuk
menyelesaikan suatu permasalahan. Misalnya, fuzzy systems , yang bisa memberikan
penjelasan proses reasoning tetapi ti dak dapat learning , bisa digabungkan dengan
Neural Network yang bisa learning tetapi tidak bisa memberikan penjelasan proses
reasoning -nya. Penggabungan kedua metode bisa mengambil kelebihan dari kedua
metode dan menghilangkan kelemahannya sehingga dihasil kan suatu sistem yang
bisa learning sekaligus bisa memberikan penjelasan proses reasoning -nya.
Gabungan dua atau lebih metode dasar SC akan menghasilkan suatu sistem yang
lebih baik dan kuat yang disebut hybrid system (Suyanto, 2008) .

WEBGIS – BASED HYBRID DECISION SUPPORT SYSTEM

4 Dalam sepuluh tahun terakhir telah terjadi peningkatan yang signifikan dal am
penerapan kecerdasan buatan hingga banyak masalah praktis di bidang GIS
(Voženílek, 2009) . Sachdeva, dkk mengungkapkan bahwa Kecerdasan buatan telah
menguatkan kita untuk lebih siap menghadapi tantangan yang dihadapi oleh
bencana alam melalui metode prediksi dan penilaian kerentanan bahaya (Sachdeva,
Bhatia, & Verma, 2017) . Berbagai AI yang telah umum dan terbukti efektif dalam
akurasi pengambilan keputusan dibidang pengolahan data geospasial dengan
melibatkan multi kriteria diantaranya; Fuzzy Logic , Artificial Neural Netwo rk, dan
Genethic Algorithm .
b. Tujuan
Berangkat dari berbagai latar belakang masalah yang penulis telah jabarkan
diatas, maka p enelitian ini bertujuan untuk menghadirkan model pengembangan
aplikasi sistem informasi WebGIS berlisensi Open Source berbasis DSS u ntuk
mendukung kecepatan dalam menghadirkan rekomendasi keputusan dengan
mengintegrasikan pada ES sebagai peningkatan ketepatan dan keakuratan sebuah
keputusan. Teknologi ini juga akan menerapkan sistem hybrid dengan menggunakan
berbagai artificial intelli gence sebagai kecerdasan entitas sains yang ditanamkan
pada teknologi aplikasi sistem informasi pengelolaan DAS diantaranya Fuzzy Logic ,
Artificial Neural Network , dan Genethic Algorithm yang akan saling mendukung dan
melengkapi kedalam bentuk Genetic -Neural-Fuzzy Inference System (GENFIS) .
Pemilihan metode monev Daya Dukung DAS dan Kinerja DAS berdasar kepada model
yang telah ditetapkan oleh pemerintah dan perundang -undangan agar rekomendasi
keputusan yang akan diberikan kepada pemegang kebijakan pengelola an DAS dari
penggunaan teknologi ini tidak bersifat tumpang tindih sehingga terhindar dari
konflik paradigma antara hukum dan saintifik .

2. Mekanisme Hibrida yang diusulkan
Pengembangan aplikasi sistem informasi Pengelolaan Daerah Aliran Sungai
merupakan sebuah upay a penelitian untuk menghadirkan mesin cerdas dalam mengolah
data geospasial pengelolaan DAS. Terdapat dua mekanisme hibrida yang penulis usulkan
dalam penelitian ini, yaitu;
(1) Mekanisme hibrida sistem informasi.
Mekanisme hibrida sistem informasi dilakukan dengan mengintegrasikan kehandalan
dari tiga tipe sistem informasi sekaligus kedalam pengembangan aplikasi sistem
informasi pengelolaan DAS yaitu Sistem Pakar atau expert system (ES) terhadap
Sistem Penunjang Keputusan atau Decision Support System (DSS) de ngan
mengandalkan kehandalan dari Web GIS dalam mengelola data geospasial. Ketiga
sistem informasi tersebut sebagai bagian yang tidak terpisahkan pada tampilan antar
muka ( user interface ).
(2) Mekanisme Hibrida Algoritma dari kecerdasan buatan
Selain integrasi aplikasi sistem informasi, juga menggunakan integrasi algoritma dari
kecerdasan buatan ( artificial intelligence ) dari algoritma Fuzzy Logic (FL), Artificial
Neural Network (ANN), dan algoritma Genethic Algorithm (GA). Mekanisme hibrida
terhadap ketiga alg oritma kecerdasan buatan tersebut diharapkan saling menutupi
kelemahan dari setiap algoritma kecerdasan buatan dengan tujuan mampu
menemukan masalah dari kondisi Daya Dukung DAS dan Kinerja DAS sehingga
dapat menemukan solusi terbaik dalam memberikan rekom endasi keputusan terkait
pengelolaan DAS.
Mekanisme hybrid tersebut kemudian disebut WEBGIS – BASED HYBRID DECISION
SUPPORT SYSTEM dengan komponen arsitektur disajikan pada gambar. 1.

WEBGIS – BASED HYBRID DECISION SUPPORT SYSTEM

5

Gambar 1: Arsitektur Webgis – based hybrid decision support system yang diusulkan

a. Basis Pengetahuan
Knowledge Base (Basis Pengetahuan) menyimpan informasi interpretasi statis
dan dinamis tentang variabel keputusan y ang terlibat dalam monev Pengelolaan
DAS. Komponen yang terdiri dari basis data , logika fuzzy, jaringan syaraf tiruan, dan
algoritma genetika, berfungsi sebagai gudang data operasional yang akan diproses.
b. Basis Data
Database terstruktur menyajikan data kua ntitatif tentang fakta dan aturan
yang ditetapkan di bidang manajemen pengelolaan DAS yang berfokus pada
monitoring dan evaluasi DAS. Fakta terdiri dari fenomena dan gejala DAS,
sedangkan aturan adalah pola untuk menarik deduksi berdasarkan informasi yang
ada. Database tidak terstruktur bersifat heuristik sehingga dikumpulkan berdasarkan
pengalaman, referensi, prediksi, dan penilaian. Database terdiri dari data geospasial
manajemen dan pengelolaan DAS (tabel 1) sebagai bahan analisis dari subkriteria
indika tor Daya Dukung DAS (tabel 2) dan indikator Kinerja DAS (tabel 3).

Tabel 1: Rancangan Data Spasial WEB GIS
No. Data Spasial Bentuk Format
1 Layer Utama
a. Batas Kota Polygon Categorized
b. Batas DAS Polygon Categorized
2 Layer Dasar
a. Administrasi Kecamatan Polygon Categorized
b. Administrasi Kelurahan Polygon Categorized
c. Sungai Utama Polygon Single Symbol
d. Sungai Line Single Symbol
e. Garis Pantai Point Single Symbol
f. Jalan Nasional Line Single Symbol
g. Jalan Lokal Line Single Symbol

WEBGIS – BASED HYBRID DECISION SUPPORT SYSTEM

6 No. Data Spasial Bentuk Format
h. Bangunan Sungai Point Single Symbol
i. Jembatan Point Single Symbol
j. Gunung Point Single Symbol
k. Kontur Line Graduated
l. Kawasan Hutan Polygon Categorized
m. Stasiun Pengukuran Point Single Symbol
n. Toponimi Administrasi Point Single Symbol
3 Layer Tematik
a. Geologi Polygon Categorized
b. Lereng Polygon Graduated
c. Jenis Tanah Polygon Categorized
d. Sistem Lahan Polygon Categorized
e. Tutupan Lahan Polygon Categorized
f. Curah Hujan Polygon Graduated
g. Topografi Polygon Graduated
h. Gerakan Tanah Polygon Categorized
i. Gempa Polygon Graduated
j. Bahasa Polygon Categorized
k. EHRA Polygon Graduated
l. Dekopol Polygon Categorized
4 Layer Kebijakan
a. RTRW Kawasan Strategis Point Categorized
b. RTRW Rencana Pola
Ruang Polygon Categorized
c. RTRW Struktur Ruang Point Categorized
d. RTRW Jaringan Struktur
Ruang Line Categorized
e. Potensi Mineral Polygon Categorized
f. Potensi Tambang Polygon Categorized
g. Potensi Tambang C Polygon Categorized
h. Rawan Bencana Polygon Categori zed

Tabel 2: Indikator Daya Dukung DAS
Berdasarkan Permen Kehutanan Nomor P.61/MENHUT -II/2014
EVALUASI KRITERIA SUBKRITERIA
1. Lingkungan (1) Lahan 1. Persentase Lahan Kritis (PLK)
2. Persentase Penutupan Vegetasi
(PPV)
3. Indeks Erosi atau CP
(2) Kualitas, Kuant itas, &
Kontinuitas Air 1. Koefisien Regim Aliran (KRA)
2. Koefisien Aliran Tahunan (KAT)
3. Muatan Sedimen (MS)
4. Frekuensi Kejadian Banjir (FkB)
5. Indeks Penggunaan Air (IPA)
(3) Pemanfaatan Ruang Wilayah 1. Kawasan Lindung (KL)
2. Kaw asan Budidaya(KB)
2. Sosek (1) Sosial Ekonomi 1. Tekanan Penduduk (TP)
2. Tingkat Kesejahteraan Penduduk
(TKP)
3. Keberadaan dan penegakan
aturan (KPA)
(2) Nilai Investasi Bangunan 1. Klasifikasi Kota (KK)
2. Nilai Investasi Bangunan Air
(IBA)

WEBGIS – BASED HYBRID DECISION SUPPORT SYSTEM

7 Tabel 3: Indikator Kinerja DAS
Berdasarkan Peraturan Ditjen RLPS Nomor P.04/V -Set/2009
EVALUASI KRITERIA SUBKRITERIA
Lingkungan (1) Penggunaan
Lahan 1. Penutupan oleh Vegetasi (IPL)
2. Kesesuaian Penggunaan Lahan (KPL)
3. Erosi, Indeks Erosi (IE) dan atau pengelolaan
lahan (CP)
4. Pengelolaan Lahan (PL)
5. Kerentanan Tanah Longsor (KTL)
(2) Tata Air 1. Debit Air Sungai (KRS, CV, IPA)
2. Laju sedimentasi (Sy, mm/thn)
3. Kandungan pencemar
(polutan ;pa1,pa2,pb1,pb2,pb,3pb4,pb5,pb6,pc1 )
4. Koefisien limpasan (C)
Sosel (1) Sosial 1. Kepedulian individu (KI)
2. Partisipasi masyarakat (PM)
3. Tekanan penduduk terhadap lahan (TP)
(2) Ekonomi 1. Ketergantungan penduduk terhadap lahan (LQ)
2. Tingkat pendapatan (TD)
3. Produktivitas lahan (PL)
4. Jasa lingkungan (JL) (air, wisata, iklim mikro,
umur waduk)
(3) Kelembagaan 1. Pembe rdayaan lembaga lokal/adat (KLL)
2. Ketergantungan masyarakat kepada
pemerintah (KMP)
3. Koordinasi, Integrasi, Sinkronisasi, Sinergi
(KISS)
4. Kegiatan usaha bersama (KUB)

c. Sistem Kerja Logika Fuzzy
Proses monev DAS memanfaatkan sistem kerja logika fuzzy dalam urutan operasional
berikut ini:
(i) Fuzzifikasi dari variabel masukan
Himpunan fuzzy yang mewakili Daya Dukung DAS ataupun Kinerja DAS jika
dinotasikan dengan simbol A maka himpunan fuzzy tersebut didefenisikan
dengan persamaan berikut;

𝐴={(𝑥𝑖,𝜇𝐴(𝑥𝑖))|𝑥𝑖∈𝑉,𝜇𝐴(𝑥𝑖)∈[0,1]}

Persamaan tersebut menjelaskan bahwa himpunan 𝐴 dari kriteria pengelolaan
DAS memiliki elemen denagan notasi 𝑥𝑖 yang difuzzifikasi dari transformasi nilai
input baku masing -masing variabel menjadi istilah fuzzy ( Sangat Baik, Baik,
Sedang, Buruk, Sangat Buruk ) berdasarkan variabel. Klasifikasi tersebut
diturunkan dari fungsi yang didefinisikan untuk menentukan tingkat keanggotaan
masing -masing variabel dalam himpunan fuzzy . Fuzzifikasi dilaku kan dengan
menggunakan pendekatan fungsi keanggotaan atau Membership Function (MF)
yang didefenisikan kedalam persamaan berikut;

𝜇𝐴(𝑥𝑖)
{ 1𝑥𝑖−𝑎
𝑏−𝑎𝑐−𝑥𝑖
𝑐−𝑏
0
if 𝑥𝑖 < 𝑎
if 𝑎 ≤ 𝑥𝑖 < b
if b ≤ 𝑥𝑖 < c
if c ≤ 𝑥𝑖

WEBGIS – BASED HYBRID DECISION SUPPORT SYSTEM

8 dimana 𝜇𝐴(𝑥𝑖) adalah MF dari 𝑥𝑖 dalam menggunakan segitiga MF sedangkan 𝜇𝐴
adalah tingkat atau drajat keanggotaan 𝑥𝑖 dari 𝐴. a, b dan c adalah parameter
dari MF yang m engatur bentuk segitiga dan masing -masing atribut dijelaskan
dengan istilah linguistik.
(ii) Pembentukan basis aturan fuzzy
Dasar aturan untuk diagnosis kriteria pengelolaan DAS ditandai oleh seperangkat
aturan If-Then dimana anteseden atau premis (bagian IF) dan konsekuensi
(bagian THEN ) melibatkan variabel linguistik. Aturan dapat dirumuskan dengan
bantuan tenaga pakar geografi dalam pengelolaan DAS, atau menggunakan
literatur standar yang ada. Sebuah aturan hanya bisa ‘ fire’ jika ada parameter
pendahulunya yaitu “Sangat Baik, Baik, Sedang, Buruk, Sangat Buruk ” yang
dievaluasi dengan tepat. J ika evaluasi tidak tepat, maka ‘fire’ tidak menyala.
Terdapat 40 operator implikasi, tapi yang terpenting adalah model zadeh max –
min, mamdani min dan larsen. Dalam penelitian ini digunakan operator implikasi
mamdani min, yang didefinisikan sebagai berikut :

Φm [µA(x),µB(y)] ≡µA(x)∧µB(y)→µ(x,y)

dimana Φ adalah operator implikasi yang mengambil sebagai fungsi keanggotaan
masukan dari 𝜇𝐴(𝑥) sebelumnya dan konsekuen 𝜇𝐵(𝑦)
(iii) Mesin inferensi fuzzy
Komponen ini mengendalikan logika pengambilan keputusan dengan menerapkan
prosedur komposisi yang sesuai dari basis aturan fuzzy ke nilai input variabel
yang diterima. Mesin inferensi menerapkan prosedur komposisi pada input untuk
menghasilkan keluaran yang diinginkan, dan Root Sum Square (RSS), diterapkan
untuk mengukur fungsi pada skala masing -masing dan men ghitung area
komposit. RSS adalah metode yang digunakan untuk menggabungkan efek dari
aturan ‘fire’ untuk menarik inferensi yang relevan. RSS tersebut dihitung dengan
persamaan ;

𝑅𝑆𝑆=∑𝑅𝑘2𝑛
𝑘=1

𝑅𝑘 adalah aturan yang ‘fired’ dimana 𝑘∀1, …, 𝑛 adalah id dari aturan yang ‘fired’ .

(iv) Defuzzifikasi dari nilai output
Defuzzifikasi nilai output melibatkan hasil translasi dari mesin inferensi menjadi
nilai crisp yang sebagian besar diminta oleh user untuk analisis dan interpretasi
secara tepat, hal ini membantu diagnosis secara efisien. Penelitian ini
menggunakan teknik Centroid of Area (CoA) untuk defuzzifikasi. Interface ini
menerima output mesin inferensi sebagai input dan menyelesaikan perhitun gan
dengan menerapkan persamaan;

𝐶𝑜𝐴=∑µY(𝑥𝑖)𝑥𝑖𝑛
𝑖=1
∑µY(𝑥𝑖)𝑛
𝑖=1

dimana µY(𝑥𝑖) adalah derajat 𝑖 dalam fungsi keanggotaan dan 𝑥𝑖 adalah nilai
pusat dari fungsi.

WEBGIS – BASED HYBRID DECISION SUPPORT SYSTEM

9
d. Sistem Kerja Neural Network (NN)
Jaringan syaraf tiruan (ANN) memiliki kemampuan menangkap pengetahuan
domain dari indikator yang ada dan dapat dengan mudah menangani data kontinyu
dan diskrit. NN digunakan untuk melatih dan menguji sistem fuzzy yang dirancang
untuk mengoptimalkan kinerja keseluruhan sistem.
Informasi mentah yang diperoleh dari variabel data dimasukkan ke NN melalui
lapisan masukan dan partisipa si masing -masing kategori variabel ditentukan pada
lapisan jaringan tersembunyi dengan menggunakan:

CAT𝑖=∑W𝑖 .A𝑖𝑛
𝑖

CAT i adalah kategori dari variabel, n adalah jumlah variabel dalam CAT i, dan A i
adalah variabel dengan bobot WAi. Hasil dari lapisan output mewakili keseluruhan
keluaran analisis oleh komponen NN yang diberikan oleh:

𝑂𝑢𝑡𝑝𝑢𝑡 𝑁𝑁=∑CAT𝑖 .𝑊𝐶𝐴𝑇𝑖𝑛
𝑖

dimana 𝑊𝐶𝐴𝑇𝑖adalah hubungan terhadap bobot dari CAT𝑖.

e. Sistem Kerja Genetic Algorithm
Sebenarnya, NN menyediakan struktur untuk menggabungkan parameter
diagnostik yang dapat berfungsi sebagai platform untuk mesin inferensi, namun
masalah spesifik dengan NN adalah kurangnya cara yang pasti untuk menentukan
bobot koneksi pada lapisan tersembunyi saat menan gani masalah tertentu. Dalam
penelitian ini, optimasi genetik dilakukan untuk memilih n ilai optimal dari
sekelompok parameter variabel yang menjadi input untuk meminimalkan
kompleksitas inputan .
Kromosom indi vidu dari Pengelolaan DAS terdiri dari 34 gen dan setiap gen
mewakili bobot sambungan dari variabel diagnosis dalam panjang 1 bit. Satu solusi
yang layak adalah menghasilkan populasi awal yang memegang sekumpulan solusi
yang mungkin dari kromosom acak. kromosom diwakili sebaga i vektor C = (Ca, …,
Cx) dari variabel keputusan biner Ci=0,2,3; dikodekan dalam representasi biner sebagai
string yang terdiri dari gen {0, 1}. sebuah gen Ci = 1 jika variabel ke -i termasuk
dalam rangkaian solusi dari proses diagnostik jika tidak 0. Fungsi fitness digunakan
untuk mengoptimalkan setiap kromosom dengan mengevaluasi gen yang
membentuk kromosom dengan menggunakan nilai fitness mereka.
GA merupakan algoritma evolusioner yang berlanjut melalui siklusnya, nilai
fitness setiap kromosom terus meningka t sampai mencapai nilai optimal saat tidak
dapat diperbaiki lagi. Sejumlah kendala akan dipertimbangkan dalam melakukan
pengelolaan DAS secara tepat dalam diagnosa indikator , oleh ka rena itu evaluasi
fitness kromosom harus dilakukan dengan validasi yang tepat. Evaluasi fitness 𝑓(𝑖)
dilakukan berdasarkan ;

𝐹𝑖=(1+∑W𝑖 .𝐶𝑖(𝑝)𝑛
𝑖=0)−1

WEBGIS – BASED HYBRID DECISION SUPPORT SYSTEM

10 dimana n adalah jumlah variabel pengamatan , Wi adalah bobot yang terkait dengan
variabel i dan 𝐶𝑖(𝑝) adalah jumlah pelanggaran untuk kendala pada solusi p.
Probabilitas memilih individu untuk operasi genetika yaitu jika nilai fitness
pengelolaan DAS adalah F i, maka probabilitasnya, P i, memilih individu adalah:

𝑃𝑖=𝐹𝑖
∑𝐹𝑖𝑛−1
𝑖=0
Proses ini diulang sampai bobot koneks i optimal tercapai.

f. Sistem Inferensi Algoritm a Hibrida
Genetic -Neuro -Fuzzy Inference System (GENFIS) adalah teknik inferensial
yang diusulkan untuk mengintegrasikan komponen GA, NN dan FL (Omisore,
Samuel, & Atajeromavwo, 2015) dari gambar 2 untuk menyediakan sistem
operasional pelatihan mandiri dan adaptif untuk menangani data yang tidak pasti
dan tidak tepat dalam pengelolaan DAS . Sistem inferensi menggunakan teknik
operasional pelatihan propagasi umpan maju yang terdiri dari tujuh lapisan neuron .
Lapisan tersembunyi dan keluaran terdiri dari simpul aktif dimana perhitungan
berlangsung, sedangkan node pada lapis an masukan bersifat pasif.

Gambar 2: Rancangan model penerapan algoritma pada aplikasi sistem informasi

WEBGIS – BASED HYBRID DECISION SUPPORT SYSTEM

11 Mesin inferensi terdiri dari algoritma penalaran yang didorong oleh peraturan
produksi berdasarkan Mekanisme Inferensi Mamdani. Dari tujuh lapisan, yang
pertama terdiri dari simpul aktif yang menunjukkan masukan ke sistem. Masuka n
adalah nilai numerik yang mewakili seberapa besar bobot Daya Dukung dan Kinerja
DAS terhadap variabel dari pengelolaan DAS. Output dari lapisan ini adalah label
linguistik yang sesuai dengan masing -masing nilai masukan. Lapisan kedua terdiri
dari simpul adaptif yang menerima keluaran lapisan sebelumnya sebagai masukan,
dan menghasilkan tingkat keanggotaan yang sesuai yang ditentukan dengan :

𝐿2(𝑥𝑖)=𝜇𝐴𝑖(𝑥𝑖)

Nilai fuzzy masing -masing variabel dihitun g menggunakan MF segitiga,
diberikan sebagai:
𝜇𝐴𝑖(𝑥𝑖)=𝑥𝑖−𝑏
𝑎−𝑏

dimana a dan b adalah variabel dari MF segitiga yang membatasi bentuknya
sehingga 𝑏 ≤ 𝑥𝑖 𝑎.
Lapisan ketiga bertindak sebagai p engganda dan operasi tersebut diperbaiki
dan diberi label sebagai M. Simpul ini menghitung fire strength atau n ilai
keanggotaan sebagai hasil dari operasi 2 himpunan atau α -predikat dengan
menggunakan aturan persamaan :

𝐿3(𝑋𝑖)=𝜇𝐴𝑖(𝑥𝑖) .𝜇𝐵𝑖(𝑥𝑖).𝜇𝐶𝑖(𝑥𝑖)
Pada lapisan keempat, simpul tetap tapi mereka menormalkan firing strength
setiap aturan. Kekuatan normal dari k aturan ditentukan dengan :

𝐿4(𝑋𝑖)=𝑊𝑘
∑𝑊𝑗3
𝑗=1

Produk firing strength yang dinormalisasi dari sebuah aturan dan nilai
keluarannya yang sesuai diamati pada lapisan kelima untuk menentukan kontribusi
variabel tersebut terhadap proses evaluasi. Hal ini dilaku kan dengan persamaan;

𝐿5(𝑋𝑖)=𝐿4(𝑥𝑖) .𝐿3(𝑥𝑖)

Lapisan keenam terdiri dari satu simpul tetap yang diberi label Y yang
mewakili keluaran akhir GENFIS. Ini memperoleh jumlah kumulatif dari semua si nyal
masuk seperti yang ditunjukkan pada persamaan;

𝑌=∑𝐿5(𝑥𝑖𝑛
𝑖=1)

g. Mesin Pendukung Keputusan
Keputusan yang dibuat oleh algoritma hibrida diatas kemudian dioptimalkan oleh
Decision Support Engine (DSE) yang mengambil output dari hasil pengolahan seba gai masukan
yang beragam agar sesuai dengan kasus monev pengelolaan DAS yang ada.

WEBGIS – BASED HYBRID DECISION SUPPORT SYSTEM

12 h. WebGIS
Webgis sebagai media penyajian data dan informasi geospasial dari DAS yang
bersifat interaktif dan mudah digunakan bagi user maupun pembuat keputusan.
Pada Web GIS di lengkapi berbagai perangkat penunjang analisis geospasial seperti
pengukuran, geocoding, geolocation, fungsi grafik, dan lain sebagainya yang secara
arsitektural, WebGIS ini merujuk kepada arsitektur pengembangan oleh Prasad
(2017) berbasis opensource .

Gambar 3: Arsitektur dasar pengembangan Web GIS (Prasad, 2017)

3. Penutup
Pengembangan aplikasi sistem informasi Webgis – Based Hybrid Decision Support
System Pengelolaan Daerah Aliran Sungai merupakan sebuah upaya untuk
menghadirkan mesin cerdas dengan mengintegrasikan Sistem Pakar (ES) dan Sistem
Penunjang Keputusan (DSS) de ngan mengandalkan kehandalan dari Web GIS sebagai
bagian tampilan antar muka ( user interface ). Selain integrasi aplikasi sistem informasi,
juga menggunakan integrasi algoritma dari kecerdasan buat fan (artificial intelligence )
dari algoritma Fuzzy Logic (FL), Artificial Neural Network (ANN), dan algoritma Genethic
Algorithm (GA). Tidak ada algoritma yang sempurna, sehingga dengan
mengintegrasikan ketiga algoritma tersebut diharapkan saling menutupi kelemahan dari
setiap algoritma kecerdasan buatan dengan tujuan mampu me nemukan masalah dari
kondisi Daya Dukung DAS dan Kinerja DAS sehingga dapat menemukan solusi terbaik
dalam memberikan rekomendasi keputusan terkait pengelolaan DAS.

WEBGIS – BASED HYBRID DECISION SUPPORT SYSTEM

13 Bibliography

Basuki, T. M. (2015). Penyederhanaan Parameter Kualitas Air untuk Monitoring dan Evaluasi
Kinerja Daerah Aliran SUngai. Indonesian Forest Rehabilitation Vol. 3 No. 1 , 13-21.
Darminta, I. K., & Sukarma, I. W. (2017). Sistem Kontrol Fuzzy Sliding Mode Pada Trayektori
Temperatur Furnace. Logic : Jurnal Rancang Bangun dan Teknologi, [S.l.], V. 13, N. 1 ,
27-31.
Fariza, A., Helen, A., & Rasyid, A. (2007). Performansi Neuro Fuzzy untuk Peramalan Data Time
Series. Seminar Nas ional Aplikasi Teknologi Informasi (pp. 77 -82). Yogyakarta: SNATI –
ISSN: 1907 -5022.
Gopal, S. (2016). Artificial Neural Networks in Geospatial Analysis. In AAG, The International
Encyclopedia of Geography (pp. 1 -7). Boston: John Wiley & Sons, Ltd.
Jang, J. -S. R., Sun, C. -T., & Mizutani, E. (1997). Neuro -fuzzy and soft computing; a
computational approach to learning and machine intelligence. Englewood Cliffs: Prentice –
Hall.
Karabegovic, A., Avdagic, Z., & Ponjavic, m. (2006). Applications of Fuzzy Logic in Ge ographic
Information Systems for Multiple Criteria Decision Making. Sustainable Solutions for the
Information Society – 11th International Conference on Urban Planning and Spatial
Development for the Information Society (pp. 235 -244). Vienna -Austria : Comp etence
Center of Urban and Regional Planning (CORP) & Geomultimedia06.
Kirankumar, T. M., & Jayaram, M. A. (2008). Kirankumar, T. M., and M. A. Jayaram. "Natural
Computing in Spatial Information Systems. 2nd National Conference on Challenges &
Opportunitie s in Information Technology (COIT -2008) (pp. 262 -266). Mandi Gobindgarh:
RIMT-IET.
Kusumadewi, S. (2003). Artificial intelligence (teknik dan aplikasinya). Yogyakarta: Graha Ilmu.
Lutfy, O., Mohd Noor, S., Marhaban, M., & Abbas, K. (2010). A simplified PID -like ANFIS
controller trained by genetic algorithm to control nonlinear systems. Australian Journal of
Basic and Applied Sciences, 4(12) , 6331 -6345.
Nugraha, A. I. (2017). Implementasi Teknik Maximum Power Point Tracking (MPPT) Pada Sistem
Penjejak Mataha ri Berbasis Adaptive Neuro -Fuzzy Inference System (ANFIS). Surabaya:
Institut Teknologi Sepuluh Nopember.
Nugroho, A. K. (2010). Pengendali Logika Fuzzy Suhu Hipertermia Berbasis Visual Basic dan
Akuisisi Berbasis USB. Seminar Nasional Sains dan Teknologi 2010 (pp. F.1 -F.9).
Semarang: Fakultas Teknik Universitas Wahid Hasyim .
Nugroho, A. S. (2003). Pengantar Softcomputing. Ilmu Komputer. com , 1-7.
Oke, S. (2008). A Literature Review on Artificial Intelligence. International Journal of Information
and Manag ement Sciences, Volume 19, Number 4 , 535-570.
Omisore, M. O., Samuel, O. W., & Atajeromavwo, E. J. (2015). A Genetic -Neuro -Fuzzy inferential
model for diagnosis of tuberculosis. Applied Computing and Informatics , 27–37.
Prasad, J. R. (2017). Pemodelan dan Pengembangan Aplikasi Sistem Informasi Potensi DAS
(Daerah ALiran Sungai) Berbasis WebGIS; Studi Kasus Wilayah DAS Kota Palopo Provinsi
Sulawesi Selatan. In Tesis. D.I. Yogyakarta: Universitas Gadjah Mada.
Sachdeva, S., Bhatia, T. G., & Verma, A. K. (2017) . GIS-Based Multi -Hazard Susceptibility
Assessment using Machine Learning. India: Thapar University Digital Repository (TuDR).
Siang, J. (2004). Aplikasi Jaringan Syaraf Tiruan dan Pemrograman Menggunakan MATLAB.
Yogyakarta: Andi.
Suyanto. (2008). Soft Com puting. "Membangun Mesin Ber -IQ Tinggi." . Bandung: Informatika.
Voženílek, V. (2009). Artificial intelligence and GIS: mutual meeting and passing. In Intelligent
Networking and Collaborative Systems, 2009. INCOS'09 (pp. 279 -284). IEEE.
Zulita, L. N. (2015 ). Sistem Pendukung Keputusan Menggunakan Metode Saw untuk Penilaian
Dosen Berprestasi (Studi Kasus di Universitas Dehasen Bengkulu). Media Infotama .