Defoliant technique & fuzzy logic
Download as DOCX, PDF0 likes470 views
Dokumen ini membahas teknik defoliant dan logika fuzzy dalam konteks eksplorasi mineral melalui penginderaan jauh. Metode ini meminimalkan pengaruh vegetasi dengan menggunakan analisis komponen utama (PCA) dan band rasio, serta mengintegrasikan data spasial menggunakan operator logika fuzzy untuk peta potensi mineralisasi. Berbagai operator fuzzy seperti fuzzy and, fuzzy or, dan lainnya dijelaskan dalam aplikasi mereka untuk menentukan nilai anggota fuzzy dari data mineral.
![2. Jenis Operator Fuzzy Logic
Berdasarkan pada teori klasik, anggota sebuah objek dalam suatu
kumpulan objek hanya dapat dinyatakan sebagai nilai nol dan satu. Sedangkan
pada teori kumpulan Fuzzy, suatu kumpulan Fuzzy digambarkan sebagai
subkumpulan objek dimana anggota dalam suatu kumpulan objek merupakan nilai
kisaran dari nol dan satu (Zadeh 1965). Kumpulan nilai Fuzzy ditunjukkan oleh
rata-rata fungsi anggota seperti persamaan dibawah ini:
Dimana:
μa (x) = Prediksi anggota Fuzzy x dari keseluruhan X ke dalam interval [0,1].
Pada beberapa kasus fungsi anggota Fuzzy pada kisaran yang berbeda dari
variabel X dapat didefinisikan sebagai:
Dimana x adalah nilai konsentrasi unsur dan μ (×) adalah nilai anggota
Fuzzy yang menunjukkan hubungan conto dengan kumpulan conto. Bentuk fungsi
diatas tidak harus linear seperti kasus diatas, hal ini bergantung pada analisa atau
bentuk yang berubah-ubah sesuai dengan metode yang digunakan.
Tema SIG yang menggambarkan kriteria eksplorasi sebagai nilai Fuzzy
dapat dikombinasikan atau diintegrasikan dengan menggunakan operator Fuzzy
Logic. Ada 5 macam operator Fuzzy Logic yang digunakan untuk
mengkombinasikan tampilan SIG dalam pemetaan potensi mineral (Bonham-
Carter, 1994), yaitu Fuzzy AND, Fuzzy OR, Fuzzy Algebraic Product, Fuzzy
Algebraic Sum dan Fuzzy Gamma.
a. Operator Fuzzy AND
Pada umumnya operator ini menghasilkan nilai anggota Fuzzy terkecil
(minimum) dari beberapa data input. Operator Fuzzy AND dapat dijelaskan
sebagai berikut:
μ kombinasi = MIN (μA, μB, μC,...)
Dimana:
μA = Nilai anggota Fuzzy untuk variabel A pada lokasi tertentu
μB = Nilai anggota Fuzzy untuk variabel B, dan seterusnya.](https://image.slidesharecdn.com/defolianttechniquefuzzylogic-140522202912-phpapp01/85/Defoliant-technique-fuzzy-logic-3-320.jpg)
![d. Operator Fuzzy Algebraic Sum
Operator ini akan menghasilkan nilai yang selalu lebih besar atau sama
dengan nilai anggota Fuzzy terbesar. Efek ini disebut “increasive (peningkatan)”.
Operator ini dapat dijelaskan sebagai berikut:
Sebagai contoh, pada lokasi tertentu nilai anggota Fuzzy untuk peta A
adalah 0,8 dan 0,4 untuk peta B, maka nilai Fuzzy Algebraic Sum adalah 1–(1–
0,8)x(1–0,4)=0,88 yang merupakan nilai terbesar dari kedua peta.
e. Operator Fuzzy Gamma
Operator Fuzzy Gamma merupakan kombinasi antara Fuzzy Algebraic
Product dengan Fuzzy Algebraic Sum. Kegunaan dari Fuzzy Gamma adalah
ketika satu atau lebih kumpulan data menunjukkan kemungkinan terbesar dan
yang lain menunjukkan kemungkinan terkecil, maka gabungan keduanya akan
menghasilkan kemungkinan di suatu tempat diantara kedua kemungkinan diatas
yang dikontrol oleh besarnya parameter Gamma yang digunakan. Operator Fuzzy
Gamma dapat dijelaskan sebagai berikut:
μkombinasi = (Fuzzy Algebraic Sum)γ
x (Fuzzy Algebraic Product)γ
Dimana:
γ = parameter Gamma dalam range [0,1].
Jika nilai γ sama dengan satu, maka kombinasi sama dengan Fuzzy
Algebraic Sum dan ketika nilai γ sama dengan nol, kombinasi sama dengan
Fuzzy Algebraic Product. Nilai parameter Gamma dapat digunakan untuk
menyeimbangkan efek “increasive” dan “decreasive” yang ditunjukkan oleh
Fuzzy Algebraic Product dan Fuzzy Algebraic Sum.
Sebagai contoh, untuk lokasi tertentu jika nilai γ = 0,7, maka kombinasi dari
nilai anggota Fuzzy 0,8 untuk peta A dan 0,4 untuk peta B adalah 0,807
x 0,407
=
0,65. Nilai 0,65 merupakan nilai antara dari nilai peta A 0,8 dan peta B 0,4.](https://image.slidesharecdn.com/defolianttechniquefuzzylogic-140522202912-phpapp01/85/Defoliant-technique-fuzzy-logic-5-320.jpg)
Defoliant technique & fuzzy logic
- 1. Defoliant Technique & Fuzzy Logic The Concept By Ibni Sabil (085229762200 / ibni.sabil@ymail.com) Defoliant Technique Defoliant Technique merupakan salah satu metode dalam penajaman citra yang mampu meminimalisir pengaruh vegetasi dalam eksplorasi mineral dengan penginderaan jauh. Metode ini menganalisa proses Directed Principal Component dari dua rasio saluran dan Principal Component Analysis yang berlaku di daerah tropis (Fraser and Green, 1987 dalam Rojash, 2003). Dalam software ENVI 4.7 proses penentuan band rasio ditentukan melalui spectral library yang tersedia dalam software tersebut. Input band rasio ditentukan dari perbandingan dua panjang gelombang yaitu antara panjang gelombang vegetasi dan panjang gelombang mineral. Principal Component Analysis merupakan salah satu metode statistik yang menganalisis hubungan antara input band-band yang memiliki panjang gelombang yang lebih panjang dan kemudian dapat merespon spektral yang mampu merekam suatu objek dalam permukaan bumi. Proses PCA ini dapat dilakukan dalam berbagai software seperti ENVI, ArcGis, ERMapper dan lain-lain. Gabungan dari band ratio dan PCA ini yang dinamakan proses Direct Principal Component. Fuzzy Logic Konsep Fuzzy Logic diperkenalkan pertama kali oleh Zadeh (1993). Konsep Fuzzy Logic merupakan pengembangan dari logika Boolean/Klasik, dimana logika Boolean menyatakan bahwa segala hal diekspresikan dalam istilah binari (seperti : 0 atau 1, hitam atau putih, ya atau tidak). Fuzzy Logic menyatakan segala hal diekspresikan dalam istilah derajat keanggotaan (seperti; antara 0 hingga 1, “tingkat keabuan”, ”hitam” dan “putih”, “sedikit”, “lumayan” dan “sangat”). Misalkan A adalah sebuah himpunan Fuzzy, maka Formulasi dari A (Zadeh, 1993) : 1. Logika Pengolahan dengan Fuzzy Logic Metode ini merupakan metode konseptual yang digunakan untuk mengintegrasikan data spasial ke dalam peta potensi mineralisasi. Integrasi data dilakukan dengan menggunakan utiliti Arc-SDM dalam Spatial Data Modeler yaitu utiliti tambahan yang terdapat di software ArcGis. Hal pertama yang perlu
- 2. dilakukan adalah memberikan nilai fuzzy membership untuk setiap atribut yang terdapat pada data set berdasarkan konsep suatu permasalahan atau topik.
- 3. 2. Jenis Operator Fuzzy Logic Berdasarkan pada teori klasik, anggota sebuah objek dalam suatu kumpulan objek hanya dapat dinyatakan sebagai nilai nol dan satu. Sedangkan pada teori kumpulan Fuzzy, suatu kumpulan Fuzzy digambarkan sebagai subkumpulan objek dimana anggota dalam suatu kumpulan objek merupakan nilai kisaran dari nol dan satu (Zadeh 1965). Kumpulan nilai Fuzzy ditunjukkan oleh rata-rata fungsi anggota seperti persamaan dibawah ini: Dimana: μa (x) = Prediksi anggota Fuzzy x dari keseluruhan X ke dalam interval [0,1]. Pada beberapa kasus fungsi anggota Fuzzy pada kisaran yang berbeda dari variabel X dapat didefinisikan sebagai: Dimana x adalah nilai konsentrasi unsur dan μ (×) adalah nilai anggota Fuzzy yang menunjukkan hubungan conto dengan kumpulan conto. Bentuk fungsi diatas tidak harus linear seperti kasus diatas, hal ini bergantung pada analisa atau bentuk yang berubah-ubah sesuai dengan metode yang digunakan. Tema SIG yang menggambarkan kriteria eksplorasi sebagai nilai Fuzzy dapat dikombinasikan atau diintegrasikan dengan menggunakan operator Fuzzy Logic. Ada 5 macam operator Fuzzy Logic yang digunakan untuk mengkombinasikan tampilan SIG dalam pemetaan potensi mineral (Bonham- Carter, 1994), yaitu Fuzzy AND, Fuzzy OR, Fuzzy Algebraic Product, Fuzzy Algebraic Sum dan Fuzzy Gamma. a. Operator Fuzzy AND Pada umumnya operator ini menghasilkan nilai anggota Fuzzy terkecil (minimum) dari beberapa data input. Operator Fuzzy AND dapat dijelaskan sebagai berikut: μ kombinasi = MIN (μA, μB, μC,...) Dimana: μA = Nilai anggota Fuzzy untuk variabel A pada lokasi tertentu μB = Nilai anggota Fuzzy untuk variabel B, dan seterusnya.
- 4. Sebagai contoh untuk lokasi tertentu, jika nilai anggota Fuzzy peta A adalah 0,8 dan untuk peta B adalah 0,4, maka nilai anggota untuk kombinasi dengan Fuzzy AND adalah 0,4 dimana ini merupakan nilai minimum dari kedua peta tersebut. b. Operator Fuzzy OR Operator ini akan menghasilkan nilai anggota Fuzzy maksimum dari beberapa data input untuk beberapa lokasi tertentu. Fuzzy OR dijelaskan sebagai berikut: μkombinasi = MAX (μA, μB, μC,...) Operator ini dapat diaplikasikan dengan effektif untuk pemetaan potensi mineral ketika indikasi mineralisasi sangat jarang dan indikator positif dari salah satu faktor cukup untuk mewakili prospektivitas. Sebagai contoh untuk lokasi tertentu, jika nilai anggota Fuzzy peta A adalah 0,8 dan untuk peta B adalah 0,4, maka nilai anggota untuk kombinasi dengan Fuzzy OR adalah 0,8 dimana ini merupakan nilai maksimum dari kedua peta tersebut. c. Operator Fuzzy Algebraic Product Operator ini didefinisikan sebagai hasil keseluruhan dari nilai anggota Fuzzy pada lokasi tertentu dapat dijelaskan sebagai berikut: Dimana μi = nilai anggota Fuzzy untuk variabel ke-i (i = 1, 2, 3 ..., n) Pengkombinasian nilai anggota Fuzzy cenderung menghasilkan nilai yang lebih kecil, sehingga perkalian beberapa angka menghasilkan nilai kurang dari 1. Output selalu lebih kecil atau sama dengan kontribusi terkecil dari nilai anggota Fuzzy dan ini disebut “decreasive (penurunan)”. Sebagai contoh, pada lokasi tertentu dengan nilai anggota Fuzzy 0,8 untuk peta A dan 0,4 untuk peta B, maka nilai Fuzzy Algebraic Product adalah 0,4 x 0,8 = 0,32. Nilai ini lebih kecil dari nilai Fuzzy kedua peta.
- 5. d. Operator Fuzzy Algebraic Sum Operator ini akan menghasilkan nilai yang selalu lebih besar atau sama dengan nilai anggota Fuzzy terbesar. Efek ini disebut “increasive (peningkatan)”. Operator ini dapat dijelaskan sebagai berikut: Sebagai contoh, pada lokasi tertentu nilai anggota Fuzzy untuk peta A adalah 0,8 dan 0,4 untuk peta B, maka nilai Fuzzy Algebraic Sum adalah 1–(1– 0,8)x(1–0,4)=0,88 yang merupakan nilai terbesar dari kedua peta. e. Operator Fuzzy Gamma Operator Fuzzy Gamma merupakan kombinasi antara Fuzzy Algebraic Product dengan Fuzzy Algebraic Sum. Kegunaan dari Fuzzy Gamma adalah ketika satu atau lebih kumpulan data menunjukkan kemungkinan terbesar dan yang lain menunjukkan kemungkinan terkecil, maka gabungan keduanya akan menghasilkan kemungkinan di suatu tempat diantara kedua kemungkinan diatas yang dikontrol oleh besarnya parameter Gamma yang digunakan. Operator Fuzzy Gamma dapat dijelaskan sebagai berikut: μkombinasi = (Fuzzy Algebraic Sum)γ x (Fuzzy Algebraic Product)γ Dimana: γ = parameter Gamma dalam range [0,1]. Jika nilai γ sama dengan satu, maka kombinasi sama dengan Fuzzy Algebraic Sum dan ketika nilai γ sama dengan nol, kombinasi sama dengan Fuzzy Algebraic Product. Nilai parameter Gamma dapat digunakan untuk menyeimbangkan efek “increasive” dan “decreasive” yang ditunjukkan oleh Fuzzy Algebraic Product dan Fuzzy Algebraic Sum. Sebagai contoh, untuk lokasi tertentu jika nilai γ = 0,7, maka kombinasi dari nilai anggota Fuzzy 0,8 untuk peta A dan 0,4 untuk peta B adalah 0,807 x 0,407 = 0,65. Nilai 0,65 merupakan nilai antara dari nilai peta A 0,8 dan peta B 0,4.