Tugas 8

Tugas	Tgl Tugas	Tgl Selesai
8	29 April 2010	2 Juni 2010

Nama	NPM	TUGAS
Ridho Audli	0815031087	Mengatur dan membuat blog
Arif Wicaksono	0815031039	Mencari data
Fajar Ardian	0855031013	Mencari data
Adam Hussein	0855031001	Mencari data
Ade Wahyu H.	0815031033	Mencari data

IMPLEMENTASI FUZZY LOGIC CONTROLLER
PADA SISTEM PENGEREMAN KERETA API


I. PENDAHULUAN
Pada saat terjadi pengereman kereta api, bendabenda yang ada di dalamnya termasuk penumpang kereta api akan mengalami gaya (hentakan) yang arahnya searah dengan arah kereta api bergerak. Hentakan yang terjadi ini ditambah lagi dengan adanya hentakan yang disebabkan adanya gerbonggerbong kereta api yang berada dibelakangnya. Hentakan ini merupakan gaya yang besar yang terjadi secara tiba-tiba yang ditimbulkan karena pemberian gaya pengereman yang terlalu besar ke roda kereta api pada saat kecepatan kereta api masih tinggi, sedangkan momen inersia kereta api sangat besar. Kejadian ini sangat mengganggu dan mengurangi kenyamanan bagi penumpang yang berada di dalam
kereta api. Untuk mengatasi adanya permasalahan tersebut, masinis memberikan gaya pengereman ke roda kereta api secara bertahap dengan cara memutar handel rem pada lokomotif. Tetapi hal ini masih saja terjadi hentakan, karena masinis tidak bisa
memberikan gaya pengereman yang sesuai dengan kecepatan kereta api saat itu.

II. DASAR TEORI
2.1 Kinematika Gerak Translasi Gerak translasin yaitu perpindahan posisi benda
dari suatu titik ke titik lain dengan arah gerak selalu berimpit dengan arah geraknya. Kecepatan ( v ) adalah perubahan posisi (Ds) suatu benda dalam selang
waktu tertentu (Dt), dari pengertian kecepatan di atas dapat ditulis dengan persamaan berikut[5].


Percepatan atau perlambatan (a ) adalah perubahan
kecepatan (Dv) dalam selang waktu tertentu (Dt), dari
pengertian percepatan atau perlambatan dapat ditulis
dengan persamaan:








Fuzzifikasi merupakan suatu proses untuk
mengubah suatu peubah masukan dari bentuk tegas
(crisp) menjadi peubah fuzzy (variable linguistik)
yang biasanya disajikan dalam bentuk himpunanhimpunan
fuzzy dengan fungsi keanggotaannya
masing-masing.
Evaluasi aturan merupakan proses pengambilan
keputusan (inference ) yang berdasarkan aturan-aturan
yang ditetapkan pada basis aturan (rules base) untuk
menghubungkan antar peubah-peubah fuzzy masukan
dan peubah fuzzy keluaran. Aturan-aturan ini
berbentuk jika ... maka (IF ... THEN).
Teknik pengambilan keputusan yang digunakan
adalah metode max-min. Pada metode max-min,
pengambilan keputusan didasarkan pada aturan
operasi menurut Mamdani. Keputusan yang diambil
berdasarkan aturan ke i dapat dinyatakan dengan a1 Ù
μci(z), sehingga keanggotaan C adalah titik yang
diberikan oleh:

min (ái, μci(z))}. Proses pengembilan keputusan
MAX-MIN dapat dilukiskan seperti pada Gambar 2.
Defuzzifikasi merupakan proses pengubahan
besaran fuzzy yang disajikan dalam bentuk himpunanhimpunan
fuzzy keluaran dengan fungsi
keanggotaannya untuk mendapatkan kembali bentuk
tegasnya.



Hal ini diperlukan karena plant hanya mengenal nilai
tegas sebagai besaran sebenarnya untuk regulasi
prosesnya. Metode defuzzifikasi yang digunakan
adalah metode centroid. Metode centroid ini juga
dikenal sebagai metode COA (Center of Area) atau
metode Center of Gravity. Pada metode ini nilai tegas
keluarannya diperol eh berdasarkan titik berat dari
kurva hasil proses pengambilan keputusan yang dapat
dilukiskan pada Gambar 3.



III. PERANCANGAN SISTEM
Gambaran secara umum perancangan sistem
pengereman roda kereta api dengan menggunakan
Fuzzy Logic Controller dapat dilihat Gambar 4.



Gambar 4 Diagram blok sistem.
Sistem minimum ini digunakan untuk pengolahan
data input, output dan proses pengendali logika fuzzy.
Driver berfungsi sebagai penggerak motor dan rem.
Konstruksi solenoida yang digunakan untuk rem
prototip kereta api diperlihatkan pada Gambar 5.
Solenoida ini dipasang pada setiap roda kereta api.
Rem bekerja berdasarkan gaya tarik-menarik magnet
yang terjadi antara solenoida dengan ring besi,
sehingga roda kereta api perlu dilapisi dengan ring
besi.



Pada saat roda kereta api berputar, solenoida
diberi tegangan, maka pada inti besi dari solenoida
tersebut akan timbul induksi magnetik yang besarnya
memenuhi persamaan di bawah ini:





Perhitungan kecepatan roda kereta api digunakan
rangkaian phototransistor. Jika antara transistor dan
IRED (Infra Red ) dihalangi, maka transistor akan off
sehingga keluaran dari kolektor akan berlogika high.
Jika antara transistor dan IRED tidak dihalangi, maka
transistor akan on sehingga keluaran dari kolektor
berlogika low.
Proses fuzzifikasi adalah proses perubahan
masukan variabel fuzzy menjadi peubah fuzzy yang
disajikan dalam bentuk himpunan–himpunan fuzzy
dengan suatu fungsi keanggotaannya masing-masing.
Oleh sebab itu langkah pertama yang harus dilakukan

adalah mendesain himpunan-himpunan fuzzy yang
disajikan dalam bentuk fungsi keanggotaan. Desain
fungsi keanggotaan diperlihatkan seperti pada
Gambar 7.



Fungsi keanggotaan diwakili dengan Point1, Slope1,
Point2, Slope2. Nilai Point1 dan Point2 sudah dapat
ditentukan dari titik saat mendesain fungsi
keanggotaan, sedangkan untuk menentukan Slope1
dan Slope2 memenuhi persamaan beikut ini:



Masing-masing fungsi keanggotaan terdiri dari 3 buah
segmen, yaitu SEG0, SEG1 dan SEG2. Inti dari
proses fuzzifikasi adalah menentukan berapa nilai
derajat keanggotaan (Y axis) terhadap data masukan
(INPUT) Universe Of Discourde (X axis).
Pada Gambar 8 dan Gambar 9 diperlihatkan
fungsi keanggotaan untuk masukkan variable fuzzy
kecepatan dan masukan variable fuzzy Dkecepatan.



Hasil dari proses fuzzifikasi adalah nilai GRADE dari
masing-masing masukan variabel fuzzy. Evaluasi
aturan mengevaluasi nilai GRADE masukan
kecepatan dengan nilai GRADE Dkecepatan
berdasarkan basis aturan yang sudah ditetapkan. Basis
aturan diperlihatkan pada Tabel 1



Proses defuzzifikasi mengubah besaran fuzzy
yang disajikan dalam bentuk himpunan fuzzy
keluaran (FUZOUT) dengan fungsi keanggotaannya
untuk mendapatkan kembali bentuk tegasnya. Fungsi
keanggotaan untuk keluaran fuzzy diperlihatkan pada
Gambar 10.



IV HASIL PENGUJIAN
Nilai rata-rata kecepatan yang didapat dari
masing-masing pengereman dapat dibuat grafik yang
diperlihatkan pada Gambar 11. Bentuk grafik
kecepatan kereta api dengan pengereman
konvensional (hard brake) lebih terjal dibandingkan
dengan grafik kecepatan kereta api dengan
pengendalian logika fuzzy (soft brake). Pada
pengereman konvensional, gaya pengereman ke roda
kereta api diberikan secara maksimal, sehingga waktu
tempuh kereta api saat kereta api direm hingga
berhenti terjadi dengan singkat.



Gambar 11 Grafik kecepatan kereta api saat direm.
Pada pengereman kereta api dengan menggunakan
kontrol logika fuzzy, gaya pengereman kereta api
berdasarkan hasil keluaran proses pengendali logika
fuzzy dengan masukan pengendali logika fuzzy
adalah kecepatan kereta api pada saat itu. Pemberian
gaya pengereman ke roda kereta api dilakukan secara
bertahap terhadap kecepatan kereta api pada saat itu.
Akibat dari pemberian gaya pengereman ke roda
kereta api secara bertahap adalah waktu tempuh
kereta api untuk berhenti lebih lama jika
dibandingkan dengan pemberian gaya pengereman ke
roda kereta api secara maksimal.

PEMBAHASAN KELOMPOK
Kereta api merupakan salah satu alat
transportasi darat yang banyak diminati karena
lebih ekonomis, nyaman dan cepat. Pada saat
pengereman kereta api berlangsung, sering
menimbulkan adanya hentakan yang mendadak,
sehingga akan dapat mengurangi kenyamanan.
Permasalahan tersebut dapat diatasi dengan
melakukan pengaturan pada sistem pengereman,
salah satu cara yang dapat dilakukan adalah
dengan menggunakan sistem kontrol logika fuzzy.
Penggunaan kontroller logika fuzzy dapat
mengurangi gaya hentakan yang terjadi pada saat
pengereman, tetapi jarak tempuh henti dari saat
pengereman lebih jauh jika dibandingkan dengan
menggunakan pengereman konvensional.


V. KESIMPULAN
1. Pengereman roda prototip kereta api dengan
menggunakan kontrol logika fuzzy lebih lembut
(soft), jika dibandingkan tanpa kontroller
(konvensional).
2. Jarak dan waktu yang diperlukan utuk
menghentikan kereta api tempuh dengan
menggunakan pengendalian kontrol logika fuzzy
lebih panjang.

Tugas 7

Tugas	Tgl Tugas	Tgl Selesai
7	29 April 2010	2 Juni 2010

Nama	NPM	TUGAS
Ridho Audli	0815031087	Mengatur dan membuat blog
Arif Wicaksono	0815031039	Mencari data, memasukkan data
Fajar Ardian	0855031013	Mencari data
Adam Hussein	0855031001	Mencari data
Ade Wahyu H.	0815031033	Mencari data

PENGENDALI PENJEJAK ORIENTASI MATAHARI
DENGAN METODE FUZZY LOGIC



a. Fuzzyfikasi
Untuk merancang Fuzzy Logic Controller, terlebih dahulu ditentukan
fungsi keanggotaan dari setiap fuzzy set. Fungsi keanggotaan akan mengkonversi nilai
crisp (numerik) menjadi nilai fuzzy. Fungsi keanggotaan yang harus ditentukan
meliputi perubahan dari keempat sensor cahaya yang akan menentukan orientasi
matahari.
Tujuan membentuk fungsi keanggotaan dari setiap fuzzy set adalah untuk
membentuk variabel linguistik dari tiap-tiap fuzzy set. Dalam penelitian ini penulis
menggunakan 3 buah variabel linguistik. Dengan banyaknya variabel yang digunakan
diharapkan diperoleh aksi kontrol yang lebih halus, karena semakin sedikit range dari
tiap-tiap variabel semakin halus aksi kontrol yang dikeluarkan oleh controller.
Pada sensor cahaya yang akan menentukan orientasi matahari, setiap
sensornya didesain menggunakan crisp input sebanyak 3 variabel. Yaitu variabel
Kurang Terang (KT), Terang (T) dan Sangat Terang (ST). Sedangkan pada crisp
output sebagai tindakan akan keadaan yang diterima sensor dibagi menjadi 5 variabel,
yaitu clock wise big (CWB), clock wise small (CWS), center (C), counter clock wise
small (CCWS) dan counter clock wise big (CCWB).





b.Penyusunan Aturan/Rules
Aturan yang dipakai pada masukan sensor SE dan SW digunakan untuk
mengatur motor 1 dan masukan dari sensor SN dan SS digunakan untuk mengatur
motor 2. Dengan crip input dari masing masing masukan sensor dan crisp output dari
masing-masing keluaran dapat dibuat aturan atau rules sebanyak 18 aturan. Aturanaturan
tersebut antara lain:
1. Jika SE adalah KT dan SW adalah KT maka motor 1 adalah C
2. Jika SE adalah KT dan SW adalah T maka motor 1 adalah CWS
3. Jika SE adalah KT dan SW adalah ST maka motor 1 adalah CWB
4. Jika SE adalah T dan SW adalah KT maka motor 1 adalah CCWS
5. Jika SE adalah T dan SW adalah T maka motor 1 adalah C
6. Jika SE adalah T dan SW adalah ST maka motor 1 adalah CWS
7. Jika SE adalah ST dan SW adalah KT maka motor 1 adalah CCWB
8. Jika SE adalah ST dan SW adalah T maka motor 1 adalah CCWS
9. Jika SE adalah ST dan SW adalah ST maka motor 1 adalah C
10. Jika SN adalah KT dan SS adalah KT maka motor 2 adalah C
11. Jika SN adalah KT dan SS adalah T maka motor 2 adalah CWS
12. Jika SN adalah KT dan SS adalah ST maka motor 2 adalah CWB
13. Jika SN adalah T dan SS adalah KT maka motor 2 adalah CCWS
14. Jika SN adalah T dan SS adalah T maka motor 2 adalah C
15. Jika SN adalah T dan SS adalah ST maka motor 2 adalah CWS
16. Jika SN adalah ST dan SS adalah KT maka motor 2 adalah CCWB
17. Jika SN adalah ST dan SS adalah T maka motor 2 adalah CCWS
18. Jika SN adalah ST dan SS adalah ST maka motor 2 adalah C

c. Perancangan Plant




Prinsip kerja
Input controller adalah masukan dari keempat sensor yang akan memetakan
perubahan posisi panel surya yang berorientasi terhadap matahari. Tulisan “Input”
pada gambar diatas juga berisi masukan setpoint untuk input nilai intensitas cahaya
dari masing-masing sensor. Setpoint dijadikan sebagai acuan. Dari nilai perubahan
pada masing-masing sensor tersebut akan diolah sebagai masukan pada Fuzzy Logic
Controller, yang kemudian akan diolah menjadi keluaran berupa gerak yang akan
mengatur posisi panel surya terhadap orientasi matahari.

Tugas 6

Tugas	Tgl Tugas	Tgl Selesai
6	29 April 2010	2 Juni 2010

Nama	NPM	TUGAS
Ridho Audli	0815031087	Mengatur dan membuat blog
Arif Wicaksono	0815031039	Mencari data
Fajar Ardian	0855031013	Mencari data dan edit blog
Adam Hussein	0855031001	Mencari data
Ade Wahyu H.	0815031033	Mencari data

Konsep Dasar Fuzzy Logic
Fuzzy Logic adalah metodologi pemecahan masalah dengan beribu – ribu aplikasi dalam pengendali yang tersimpan dan pemrosesan informasi. Fuzzy logic menyediakan cara sederhana untuk menggambarkan kesimpulan pasti dari informasi yang ambigu, samar – samar, atau tidak tepat. Sedikit banyak, fuzzy logic menyerupai pembuatan keputusan pada manusia dengan kemampuannya untuk bekerja dari data yang ditafsirkan dan mencari solusi yang tepat.
Fuzzy logic pada dasarnya merupakan logika bernilai banyak (multivalued logic) yang dapat mendefinisikan nilai diantara keadaan konvensional seperti ya atau tidak, benar atau salah, hitam atau putih, dan sebagainya. Penalaran fuzzy menyediakan cara untuk memahami kinerja dari system dengan cara menilai input dan output system dari hasil pengamatan.

Sejarah
Konsep Fuzzy Logic diperkenalkan oleh Prof. Lotfi Zadeh dari Universitas California di Berkeley pada 1965, dan dipresentasikan bukan sebagai suatu metodologi control, tetapi sebagai suatu cara pemrosesan data dengan memperkenankan penggunaan partial set membership dibanding crisp set membership atau non-membership. Pendekatan pada set teori ini tidak diaplikasikan pada system control sampai tahun 70an karena kemampuan computer yang tidak cukup pada saat itu. Profesor Zadeh berpikir bahwa orang tidak membutuhkan kepastian, masukan informasi numeric, dan belum mampu terhadap control adaptif yang tinggi.
Konsep fuzzy logic kemudian berhasil diaplikasikan dalam bidang control oleh E.H. Mamdani. Sejak saat itu aplikasi fuzzy berkembang kian pesat. Di tahun 1980an negara Jepang dan negara – negara di Eropa secara agresif membangun produk nyata sehubungan dengan konsep logika fuzzy yang diintegrasikan dalam produk – produk kebutuhan rumah tangga seperti vacuum cleaner, microwave oven dan kamera video. Sementara pengusaha di Amerika Serikat tidak secepat itu mencakup teknologi ini. Fuzzy logic berkembang pesat selama beberapa tahun terakhir. Terdapat lebih dari dua ribu produk dipasaran yang menggunakan konsep fuzzy logic, mulai dari mesin cuci hingga kereta berkecepatan tinggi. Setiap aplikasi tentunya menyadari beberapa keuntungan dari fuzzy logic seperti performa, kesederhaan, biaya rendah dan produktifitasnya.

Alasan Penggunaan Fuzzy Logic
Fuzzy logic menawarkan beberapa karakteristik unik yang menjadikannya suatu pilihan yang baik untuk banyak masalah control. Karakteristik tersebut antara lain :

1. Sudah menjadi sifatnya yang kuat selama tidak membutuhkan ketepatan, input yang bebas derau, dan dapat diprogram untuk gagal dengan aman jika sensor arus balik dimatikan atau rusak. Control output adalah fungsi control halus meskipun jarak variasi input yang cukup besar.
2. Selama fuzzy logic controller memproses aturan – aturan yang dibuat user yang memerintah system control target, ia dapat dimodifikasi dengan mudah untuk meningkatkan atau mengubah secara drastis performa system. Sensor yang baru dapat dengan mudah digabungkan kedalam system secara sederhana dengan menghasilkan aturan memerintah yang sesuai.
3. Fuzzy logic tidak terbatas pada sedikit masukan umpan-balik dan satu atau dua output control, tidak juga penting untuk menilai atau menghitung parameter rata - rata perubahan dengan tujuan agar ia diimplementasikan. Sensor data yang menyediakan beberapa indikasi untuk aksi dan reaksi system sudah cukup. Hal ini memungkinkan sensor menjadi murah dan tidak tepat sehingga menghemat biaya system keseluruhan dan kompleksitas rendah.
4. Karena operasi – operasi yang berbasiskan aturan, jumlah input yang masuk akal dapat diproses ( 1 sampai 8 atau lebih ) dan banyak output ( 1 sampai 4 atau lebih ) dihasilkan, walaupun pendefinisian rulebase secara cepat menjadi rumit jika terlalu banyak input dan output dipilih untuk implementasi tunggal selama pendefinisian rules(aturan), hubungan timbal baliknya juga harus didefinisikan. Akan lebih baik jika memecah system kedalam potongan – potongan yang lebih kecil dan menggunakan fuzzy logic controllers yang lebih kecil untuk didistribusikan pada system, masing – masing dengan tanggung jawab yang lebih terbatas.
5. Fuzzy Logic dapat mengontrol system nonlinier yang akan sulit atau tidak mungkin untuk dimodelkan secara matematis. Hal ini membuka pintu bagi system control yang secara normal dianggap tidak mungkin untuk otomatisasi.

Sedangkan karakteristik utama dari fuzzy logic yang ditemukan oleh Prof. Lotfi A. Zadeh adalah sebagai berikut:

* Dalam fuzzy logic, penalaran tepat dipandang sebagai suatu kasus terbatas dari penalaran kira –kira.
* Dalam fuzzy logic segala sesuatunya adalah masalah derajat.
* System logis manapun dapat difuzzifikasi.
* Dalam fuzzy logic, pengetahuan diinterpretasikan sebagai koleksi dari fuzzy yang dipaksakan pada sekumpulan variable.
* Kesimpulan dipandang sebagai sebuah proses dari perkembangan pembatas elastis.

Bagaimana Fuzzy Logic Digunakan
Adapun langkah – langkah penggunaan fuzzy logic adalah sebagai berikut:

* Definisikan obyektif dan criteria control :

1. Apa yang kita coba control ?
2. Apa yang harus kita lakukan untuk mengontrol system ?
3. Respon seperti apa yang kita butuhkan ?
4. Apa mode kegagalan system yang mungkin ?

* Tentukan hubungan antara input dan output serta memilih jumlah minimum variable input pada mesin fuzzy logic(secara khusus error dan rata – rata perubahan error).
* Dengan menggunakan struktur berbasis aturan dari fuzzy logic, jabarkan permasalahan control ke dalam aturan IF X AND Y THEN Z yang mendefinisikan respon output system yang diinginkan untuk kondisi input system yang diberikan. Jumlah dan kompleksitas dari rules bergantung pada jumlah parameter input yang diproses dan jumlah variable fuzzy yang bekerjasama dengan tiap – tiap parameter. Jika mungkin, gunakan setidaknya satu variable dan turunan waktunya. Walaupun mungkin untuk menggunakan sebuah parameter tunggal yang error saat itu juga tanpa mengetahui rata – rata perubahannya, hal ini melumpuhkan kemampuan system untuk meminamalisasi keterlampauan untuk sebuah tingkat input.
* Buat fungsi keanggotaan yang menjelaskan nilai input atau output yang digunakan didalam rules.
* Buat rutinitas proses awal dan akhir yang penting jika diimplementasikan dalam software, sebaliknya program rules kedalam mesin hardware fuzzy logic.
* Test system, evaluasi hasil, atur rules dan fungsi keanggotaan, dan retest sampai hasil yang memuaskan didapat.

BLOG DIAGRAM


FUZZYFIKASI

Fuzzifikasi adalah mengubah nilai crisp input menjadi nilai fuzzy input atau dengan kata lain mengubah bahasa mesin menjadi bahasa manusia. Proses evaluasi rule mengolah fuzzy input sehingga menghasilkan fuzzy output.



MEMBERSHIP FUNGSI
Fungsi keanggotaan dari suatu himpunan fuzzy dinyatakan dengan derajat keanggotaan suatu nilai terhadap nilai tegasnya yang berkisar antara 0,0 sampai dengan 1,0. Jika A himpunan fuzzy, µA: fungsi keanggotaan dan X: semesta, maka fungsi keanggotaan dalam suatu himpunan fuzzy dapat dinyatakan dengan:
A{(x4tA(x))IxCX}
Fungsi Keanggotaan suatu himpunan fuzzy dapat ditentukan dengan fungsi segitiga (Triangle), trapezium (Trapeoida 1) atau Fungsi Gauss (Gaussian)




RULE BASE
Aturan dasar (rule base) pada control logika fuzzy merupakan suatu bentuk aturan relasi implikasi “Jika-Maka” atau “If -Then’ seperti pada pemyataan berikut:
“JIKA” X=A DAN “JIKA” Y=B “MAKA” Z=C
Contoh dari aturan jika-maka ini pada pengendalian suhu ruangan dengan pengaturan kecepatan kipas angin melalui frekuensi variable adalah sebagai berikut:
1. “JIKA” suhu panas DAN
2. “JIKA” kecepatan kipas sangat lambat
3. “MAKA” sumber frekuensi dinaikkan sangat tinggi agar kecepatan kipas tinggi
Jadi aturan dasar KLF ditentukan dengan bantuan seorang pakar yang mengetahui karakteristik objek yang akan kendalikan aturan dasar tersebut dapat dinyatakan dalam bentuk matrik aturan dasar KLF.



DEFUZZIFIKASI

Defuzzifikasi mengubah fuzzy output menjadi nilai crisp output atau mengubah bahasa manusia menjadi bahasa mesin kembali.

Proses defuzzyfikasi diekspresikan sebagai berikut:
Z*= defuzzyfikasi (Z)
Dimana :
Z = Hasil penalaran fuzzy
Z* = Keluaran control FL
Defuzzyfikasi = Operasi defuzzier
Metode dalam melakukan defuzzyfikasi antara lain:
1. Metode Max (Maximun)
Metode ini juga dikenal dengan metode puncak dimana nilai keluaran dibatasi oleh fungsi: µc(z*)>µc 1 (z)
2. Metode Titik Tengah (Center ofArea)
Metode ini juga disebut pusat area. Metode ini lazim dipakai dalam proses defuzzifikasi.

Tugas 5

Tugas	Tgl Tugas	Tgl Selesai
5	29 April 2010	2 Juni 2010

Nama	NPM	TUGAS
Ridho Audli	0815031087	Mengatur dan membuat blog
Arif Wicaksono	0815031039	Mencari data
Fajar Ardian	0855031013	Mencari data
Adam Hussein	0855031001	Mencari data
Ade Wahyu H.	0815031033	Mencari data

Makalah Aplikasi JST

PREDIKSI PENYAKIT JANTUNG KORONER (PJK)
BERDASARKAN FAKTOR RISIKO MENGGUNAKAN
JARINGAN SYARAF TIRUAN BACKPROPAGATION

ABSTRAKSI
Karena penyakit jantung koroner mempunyai angka kematian dan kesakitan yang tinggi, maka perlu diketahui faktor-faktor risiko yang dapat meyebabkan penyakit jantung koroner ini. Prediksi Penyakit Jantung koroner ini menggunakan metode pengenalan pola dari data catatan rekam medis penderita penyakit jantung koroner yang dirawat di Instalasi Rawat Inap Unit Penyakit Dalam RSUP Dr. Sardjito Yogyakarta dan orang
sehat yang melakukan General Check-up Unit Penyakit Dalam dan Poliklinik General Check-up Geriatri Unit Penyakit Dalam RSUP Dr. Sardito Yogyakarta dengan menggunakan metode Jaringan Syaraf Tiruan Backpropagation (JST-BP). Berdasarkan data rekam medis penderita penyakit jantung koroner dan orang sehat tersebut akan dilakukan pelatihan terhadap jaringan syaraf tiruan backpropagation ini, sehingga jaringan syaraf tiruan ini mampu mengenali polanya. Terdapat 9 faktor risiko penyebab timbulnya penyakit jantung koroner yang akan dilatih agar dapat dikenali polanya. Setelah dilatih, jaringan syaraf tiruan ini akan diuji dengan 9 faktor risiko sebagai masukan yang
disimulasikan dengan Matlab 7.0.4. Dalam penelitian ini telah diujikan 9 faktor risiko penderita penyakit jantung koroner dan orang sehat. Dari hasil pengujian, metode JST-BP dapat mengenali pola-pola faktor risiko penyakit jantung koroner sebesar 80%.

1. PENDAHULUAN
Penyakit jantung koroner (PJK) mempunyai angka kematian dan kesakitan yang tinggi.
Walaupun penyebab dasar terjadinya penyakit jantung koroner belum diketahui dengan pasti, para ahli telah mengidentifikasi sejumlah faktor yang berhubungan dengan terjadinya penyakit jantung yang disebut sebagai faktor risiko. Faktor risiko
penyakit jantung koroner ada yang membaginya dalam faktor risiko primer (independen) dan sekunder (Kasiman, 1997; Krismi, 2002), yaitu:
1. Faktor risiko primer; faktor ini dapat menyebabkan gangguan arteri berupa
aterosklerosis tanpa harus dibantu oleh faktor lain (independen), termasuk faktor risiko primer, yaitu hiperlidemi, merokok, dan hipertensi.
2. Faktor risiko sekunder; Faktor ini baru dapat menimbulkan kelainan arteri bila ditemukan faktor lain secara bersamaan, termasuk faktor risiko sekunder, yaitu diabetes melitus (DM), obesitas, stres, kurang olah raga, alkohol, dan riwayat keluarga.

Dalam penelitiannya, Tjokroprawiro (2001) menyebutkan ada 34 faktor risiko yang bertanggung jawab terhadap kualitas sel endotel dan pembuluh darah, yang selanjutnya juga bertanggung jawab terhadap kualitas hidup manusia itu sendiri. Ke-34 faktor risiko tersebut adalah :
1. Genetik
2. Insulin resistensi
3. Intoleransi glukosa
4. Asam urat
5. Lipid
6. Obesitas
7. Merokok
8. Hipertensi
9. Inaktivitas fisik
10. Agregasi platelet
11. Stres
12. Jenis kelamin
13. Usia
14. Fibrinogen
15. Faktor pembekuan darah VIIIc, VII, Va, Xa, XIIIa
16. Radikal bebas
17. Penyalahgunaan alkohol
18. Ras
19. Inhibitor dan promotor
20. Hipertrofi ventrikel kiri
21. PAF
22. Androgen
23. Interleukin
24. Katekolamin
25. Kortisol
26. Hormon pertumbuhan
27. Estrogen
28. Leptin
29. TNF-α
30. Homosistein
31. Cu
32. Fe
33. Inflamasi
34. TGF-β

Dalam penelitian ini digunakan data catatan rekam medis penderita penyakit jantung koroneryang dirawat di Instalasi Rawat Inap Unit Penyakit Dalam RSUP Dr. Sardjito Yogyakarta dan orang sehat yang melakukan General Check-up di Unit Penyakit Dalam dan Poliklinik General Check-up Geriatri Unit Penyakit Dalam RSUP Dr. Sardito Yogyakarta. Dalam pendeteksian penyakit jantung koroner ini, digunakan 9 faktor risiko penyebab timbulnya penyakit jantung koroner ini dengan variabel sebagai berikut :
1. Usia (dalam tahun)
2. Jenis kelamin
3. Pekerjaan
4. Kadar LDL
5. Kadar kolesterol total
6. Kadar HDL
7. Kadar trigliserida
8. Tekanan darah sistolik
9. Tekanan darah diastolik

Kesembilan faktor risiko tersebut digunakan untuk memprediksi penyakit jantung koroner ini. Faktor-faktor risiko tersebut dilatih agar dikenali polanya. Pelatihan tersebut menggunakan data rekam medis penderita penyakit jantung dan orang sehat. Dengan menggunakan data tersebut, jaringan syaraf tiruan backpropagation akan dilatih sehingga mampu mengenali pola-pola faktor risiko penderita penyakit jantung dan pola-pola faktor risiko orang sehat.

Klasifikasi Adult Treatment Panel-III, 2001 (Tjokroprawiro, 2001) mengenai kadar kolesterol total, kadar LDL, kadar trigliserida, kadar HDL (dalam mg/dL) adalah sebagai berikut :


Sedangkan untuk kriteria hipertensi dapat
ditentukan dengan pemeriksaan tekanan darah
sistolik dan diastolik (dalam mmHg), dimana
berdasarkan Pedoman Kerja WHO tahun 1999
(WHO, 1999), kriteria hipertensi dibagi menjadi :



Untuk pembagian rentang usia, jenis kelamin,
dan pekerjaan adalah sebagai berikut :

2. TEORI DAN METODE
2.1. Metode JST-BP



Algoritma pelatihan JST – BP adalah sebagai
berikut (Hermawan, 2006; Jong, 2005):
1. Definisi masalah, misalkan matriks masukan
(P) dan matriks target (T).
2. Inisialisasi, menentukan bentuk jaringan dan
menetapkan nilai-nilai bobot sinaptik W1 dan
W2, dan learning rate (lr).
3. Pelatihan Jaringan :
a. Perhitungan Maju
Galat (E) merupakan selisih antara nilai
keluaran yang diinginkan (T) dengan
keluaran yang sesungguhnya (A2),
sebagai berikut :
E = T − A2
Sum Square Error (SSE) yang dinyatakan
oleh persamaan berikut :
SSE =ΣE2




4. Langkah-langkah di atas adalah untuk satu
kali siklus pelatihan (satu epoch), sehingga
harus diulang-ulang sampai jumlah epoch
yang ditentukan atau telah tercapai SSE (Sum
Square Error) yang diinginkan.
5. Hasil akhir pelatihan jaringan adalah
didapatkannya bobot W1 dan W2 yang
kemudian disimpan untuk pengujian jaringan.

2.2. Perancangan
Variabel untuk menampung data faktor resiko
penyakit jantung koroner (input) = P
Representasi masukan (berdasarkan klasifikasi
yang telah disebutkan di atas) :
TH (Umur dalam tahun) :
31 – 40 = 0
41 – 50 = 0.2
51 – 60 = 0.4
61 – 70 = 0.6
71 – 80 = 0.8
81 – 90 = 1
S (Jenis kelamin) :
LAKI – LAKI = 0
PEREMPUAN = 1
JOB (Pekerjaan) :
PNS = 0
SWASTA = 0.25
TANI = 0.5
PENSIUNAN = 0.75
LAIN – LAIN = 1
LDL (Kadar LDL):
< 100 =" 0" 129 =" 0.25" 159 =" 0.5" 189 =" 0.75" 190 =" 1" 200 =" 0" 239 =" 0.5" 240 =" 1" 60 =" 0" 60 =" 1" 100 =" 0" 149 =" 0.25" 199 =" 0.5" 499 =" 0.75" 500 =" 1" 120 =" 0" 129 =" 0.2" 139 =" 0.4" 159 =" 0.6" 179 =" 0.8" 180 =" 1" 80 =" 0" 84 =" 0.2" 89 =" 0.4" 99 =" 0.6" 109 =" 0.8" 110 =" 1" onblur="try {parent.deselectBloggerImageGracefully();} catch(e) {}" href="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEhWyuM7xTxGVMQzIjFDeNShurkFGG9JQq-noe8wfw8_3FvA5-9-zLigwc2UROaqRXoLSJgpqTDcIgazsHVU9ix5Sht-2o7yxQQIiUdt2ZFgReeJSvVVWI4TAXZI6YaEkPv0H6iuM2e6yNY/s1600/New+Picture+%286%29.bmp">



3. HASIL DAN PEMBAHASAN
Untuk dapat memprediksi penyakit jantung
koroner, jaringan syaraf tiruan harus dilatih agar
mengenali pola 9 faktor risiko penderita penyakit
jantung koroner atau 9 pola faktor risiko orang sehat.
Pelatihan pengenalan pola pada jaringan dilakukan
dengan menggunakan sofware Matlab 7.0.4 yang
telah menyediakan fungsi-fungsi di dalamnya.
Pelatihan dilakukan dengan beberapa tahapan, antara
lain dengan identifikasi bobot dan bias dengan
menggunakan fungsi newff, kemudian dilatihkan
dengan fungsi trainlm dengan menentukan masukan
dan target berupa matriks. Setelah jaringan dikenali
dengan baik, jaringan siap diuji dengan data baru.
Hasil dari pelatihan digunakan untuk
mencari konfigurasi terbaik yang dilakukan pada
program Matlab 7.0.4 dengan cara mengubah
konstanta belajar serta lapisan tersembunyi secara
trial and error.

Gambar 3. Grafik hasil pelatihan

Pengujian dilakukan pada jaringan syaraf
tiruan yang telah dilatih terhadap 20 data baru (data
rekam medis 9 faktor risiko penderita penyakit
jantung dan orang sehat yang berbeda dengan data
rekam medis yang telah dilatihkan) seperti yang
diperlihatkan pada Tabel 9.



Hasil pengujian menunjukkan bahwa 4 data (20%)
tidak sesuai dengan target dan 16 data (80%) sesuai
dengan target. Artinya jaringan syaraf mampu
mengenali pola faktor risiko penyakit jantung
koroner dengan baik.

PEMBAHASAN KELOMPOK
Prediksi jantung koroner ini sangat bagus,dan penggunaan dengan metode JST adalah tepat. Dengan inputan beberapa faktor gejala penyakit jantung koroner, dapat mendeteksi orang apakah ia terkena penyakit jantung koroner atau tidak. Pada hasil pengujian ada 20 % yang tidak sesuai dengan target ini mengakibatkan alat ini belum bekerja dengan baik. Namun dengan 80 % mendapat hasil sesuai dengan target. Alat ini dapat dikatakan alat yang baik. Penggunaan matlab 0.4 untuk membuat logika pada alat ini merupakan cara yang tepat.

KESIMPULAN
Jaringan Syaraf Tiruan pada prinsipnya
dapat digunakan untuk memprediksi jenis penyakit
tertentu (termasuk jenis penyakit jantung koroner)
berdasarkan faktor risiko yang menyebabkannya.
Jaringan Syaraf pada penelitian ini dapat
mengenali 80% data baru sesuai dengan target dan
20% data baru tidak sesuai dengan target. Hal ini
sebenarnya disebabkan oleh bebrapa faktor, antara
lain karena variabel input yang berjumlah 9 unit sel
maka idealnya data yang dilatihkan tidak hanya 40
data rekam medis pasien. Karena semakin banyak
jenis atau tipe yang dilatihkan, jaringan akan
semakin baik mengenali pola-pola tertentu.
Dalam pelatihan, pengujian, dan prediksi
penyakit sistem jaringan syaraf tiruan mempunyai
beberapa kelebihan, antara lain proses yang akurat,
cepat, serta dapat meminimalisasi kesalahan.
Adapun kelemahan sistem ini antara lain sistem
jaringan syaraf tiruan merupakan sistem yang baru
sehingga hanya dapat berfungsi sebagai alat bantu.
Oleh karena itu di dalam pengambilan keputusan

Tugas 4

Tugas	Tgl Tugas	Tgl Selesai
4	22 April 2010	2 Juni 2010

Nama	NPM	TUGAS
Ridho Audli	0815031087	Mengatur dan membuat blog
Arif Wicaksono	0815031039	Mencari data
Fajar Ardian	0855031013	Mencari data dan edit blog
Adam Hussein	0855031001	Mencari data
Ade Wahyu H.	0815031033	Mencari data

Buat program JST, untuk mengenali pola segitiga, segiempat dan lingkaran.



List Program:


%---------------------------------------------------

% PROGRAM JARINGAN SYARAF TIRUAN MENGENALI POLA SEGITIGA, SEGIEMPAT DAN LINGKARAN

% Oleh : AI-A-RAFAA
% Anggota :
% Ridho Audli (0815031087)
% Ade Wahyu Hidayat ( 0815031033)
% Fajar Ardian ( 08550310)
% Arif Wicaksono (08150310 )
% Adam Hussein ( 0855031001 )
%--------------------------------------------------


clear all;

clc;


disp('-------------------------------');

disp('Program JST 2 (multilayer)');

disp('-------------------------------');


w11 = input('masukkan nilai w11 = ');

w12 = input('masukkan nilai w12 = ');

w21 = input('masukkan nilai w21 = ');

w22 = input('masukkan nilai w22 = ');

v1 = input('masukkan nilai v1 = ');

v2 = input('masukkan nilai v2 = ');

b1 = input('masukkan nilai Treshoold pertama = ');

b2 = input('masukkan nilai Treshoold kedua= ');

b = input('masukkan nilai Treshoold ketiga= ');




x1=0;

x2=0;



n11=x1*w11+x2*w12-b1;


if n11 >= 0

a11 = 1;



elseif n11 < a11 =" 0;" x1="0;" x2="1;" n12="x1*w11+x2*w12-b1;">= 0

a12 = 1;



elseif n12 < a12 =" 0;" x1="1;" x2="0;" n13="x1*w11+x2*w12-b1;">= 0

a13 = 1;



elseif n13 < a13 =" 0;" x1="1;" x2="1;" n14="x1*w11+x2*w12-b1;">= 0

a14 = 1;



elseif n14 < a14 =" 0;" x1="0;" x2="0;" n21="x1*w21+x2*w22-b2;">= 0

a21 = 1;



elseif n21 < a21 =" 0;" x1="0;" x2="1;" n22="x1*w21+x2*w22-b2;">= 0

a22 = 1;



elseif n22 < a22 =" 0;" x1="1;" x2="0;" n23="x1*w21+x2*w22-b2;">= 0

a23 = 1;



elseif n23 < a23 =" 0;" x1="1;" x2="1;" n24="x1*w21+x2*w22-b2;">= 0

a24 = 1;



elseif n24 < a24 =" 0;" pilih ="input">');


switch pilih





case 1



x1=a11;

x2=a21;

y1=x1*v1+x2*v2-b;

disp(['iterasi 1, Nilai y1 = ' num2str(y1)]);

if y1 >= 0

disp('Fn = 1');

disp('error');

elseif y1 < fn =" 0');" x1="12;" x2="22;" y2="x1*v1+x2*v2-b;" y2 =" '">= 0

disp('Fn = 1');

disp('benar ');

elseif y2 < fn =" 0');" x1="13;" x2="23;" y3="x1*v1+x2*v2-b;" y3 =" '">= 0

disp('Fn = 1');

disp('benar ');

elseif y3 < fn =" 0');" x1="14;" x2="24;" y4="x1*v1+x2*v2-b;" y4 =" '">= 0

disp('Fn = 1');

disp('benar ');

elseif y4 < fn =" 0');" x1="a11;" x2="a21;" y1="x1*v1+x2*v2-b;" y1 =" '">= 0

disp('Fn = 1');

disp('error');

elseif y1 < fn =" 0');" x1="a12;" x2="a22;" y2="x1*v1+x2*v2-b;" y2 =" '">= 0

disp('Fn = 1');

disp('error');

elseif y2 < fn =" 0');" x1="a13;" x2="a23;" y3="x1*v1+x2*v2-b;" y3 =" '">= 0

disp('Fn = 1');

disp('error');

elseif y3 < fn =" 0');" x1="a14;" x2="a24;" y4="x1*v1+x2*v2-b;" y4 =" '">= 0

disp('Fn = 1');

disp('benar ');

elseif y4 < fn =" 0');" x1="a11;" x2="a21;" y1="x1*v1+x2*v2-b;" y1 =" '">= 0

disp('Fn = 1');

disp('benar ');

elseif y1 < fn =" 0');" x1="a12;" x2="a22;" y2="x1*v1+x2*v2-b;" y2 =" '">= 0

disp('Fn = 1');

disp('error');

elseif y2 < fn =" 0');" x1="a13;" x2="a23;" y3="x1*v1+x2*v2-b;" y3 =" '">= 0

disp('Fn = 1');

disp('error');

elseif y3 < fn =" 0');" x1="a14;" x2="a24;" y4="x1*v1+x2*v2-b;" y4 =" '">= 0

disp('Fn = 1');

disp('error');

elseif y4 < fn =" 0');" x1="a11;" x2="a21;" y1="x1*v1+x2*v2-b;" y1 =" '">= 0

disp('Fn = 1');

disp('benar ');

elseif y1 < fn =" 0');" x1="a12;" x2="a22;" y2="x1*v1+x2*v2-b;" y2 =" '">= 0

disp('Fn = 1');

disp('benar ');

elseif y2 < fn =" 0');" x1="a13;" x2="a23;" y3="x1*v1+x2*v2-b;" y3 =" '">= 0

disp('Fn = 1');

disp('benar ');

elseif y3 < fn =" 0');" x1="a14;" x2="a24;" y4="x1*v1+x2*v2-b;" y4 =" '">= 0

disp('Fn = 1');

disp('error');

elseif y4 < fn =" 0');" x1="a11;" x2="a21;" y1="x1*v1+x2*v2-b;" y1 =" '">= 0

disp('Fn = 1');

disp('error');

elseif y1 < fn =" 0');" x1="a12;" x2="a22;" y2="x1*v1+x2*v2-b;" y2 =" '">= 0

disp('Fn = 1');

disp('benar ');

elseif y2 < fn =" 0');" x1="a13;" x2="a23;" y3="x1*v1+x2*v2-b;" y3 =" '">= 0

disp('Fn = 1');

disp('benar ');

elseif y3 < fn =" 0');" x1="a14;" x2="a24;" y4="x1*v1+x2*v2-b;" y4 =" '">= 0

disp('Fn = 1');

disp('error');

elseif y4 < fn =" 0');" x1="a11;" x2="a21;" y1="x1*v1+x2*v2-b;" y1 =" '">= 0

disp('Fn = 1');

disp('benar ');

elseif y1 < fn =" 0');" x1="12;" x2="22;" y2="x1*v1+x2*v2-b;" y2 =" '">= 0

disp('Fn = 1');

disp('error');

elseif y2 < fn =" 0');" x1="13;" x2="23;" y3="x1*v1+x2*v2-b;" y3 =" '">= 0

disp('Fn = 1');

disp('error');

elseif y3 < fn =" 0');" x1="14;" x2="24;" y4="x1*v1+x2*v2-b;" y4 =" '">= 0

disp('Fn = 1');

disp('benar ');

elseif y4 < 0

disp('Fn = 0');

disp('error');

end;



end;

Tugas 3

Tugas	Tgl Tugas	Tgl Selesai
3	25 Maret 2010	2 Juni 2010

Nama	NPM	TUGAS
Ridho Audli	0815031087	Mengatur dan membuat blog
Arif Wicaksono	0815031039	Mencari data
Fajar Ardian	0855031013	Mencari data dan edit blog
Adam Hussein	0855031001	Mencari data
Ade Wahyu H.	0815031033	Mencari data

TUGAS 3

Buat program JST, untuk memprediksi suatu perkembangan

% program pencarian jumlah penggunaan motor

% Oleh : AI-A-RAFAA
% Anggota :
% Ridho Audli (0815031087)
% Ade Wahyu Hidayat ( 0815031033)
% Fajar Ardian ( 0855031013)
% Arif Wicaksono (0815031039 )
% Adam Hussein ( 0855031001 )
%--------------------------------------------------

disp('----------------------------------');
disp('Program prediksi banyaknya penggunaan motor’);
disp('---------------------------------');



clear all;
clc;

%jumlah penduduk Lampung pertahun
t2003=6852999;
t2004=6915950;
t2005=7116177;
t2006=7211586;
t2007=7289767;
t2008=7302486;
t2009=7310439;


%jumlah konsumsi motor pertahun dalam MW
r2003=317;
r2004=326;
r2005=331;
r2006=338;
r2007=363;
r2008=376;
r2009=382;

%jumlah motor diproduksi pertahun
r2003=1000;
r2004=1000;
r2005=1000;
r2006=1000;
r2007=1000;
r2008=1000;
r2009=1000;

%jumlah motor yang rusak pertahun
r2003=52;
r2004=42;
r2005=67;
r2006=100;
r2007=87;
r2008=150;
r2009=77;

th=input('tahun berapa yang akan diprediksi = ');
%p=input ('jumlah penduduk sebelumnya =');
%c=input('jumlah motor diproduksi=');
%d=input('jumlah motor rusak='};
mw=(((th-2003)*200000)+6852999)*(326/6915950);
disp(['jumlah k motor dalam MW = ' num2str(mw)]);

tugas JST

Tabel 1.1.1.	Tugas Tgl Tugas Tgl Selesai 2 २५ 2010 30 April 2010 Nama NPM TUGAS Ridho Audli 0815031087 Mengatur dan membuat blog Arif Wicaksono 0815031039 Mencari data Fajar Ardian 0855031013 Mencari data, edit blog, upload tgs Adam Hussein 0855031001 Mencari data Ade Wahyu H. 0815031033 Mencari data Jumlah Penduduk menurut Provinsi
	Number of Population by Province
	Sumber/Source:SP (1971, 1980, 1990, 2000) dan Supas (1995, 2005)
Provinsi	Tahun - Year
Province	1971	1980	1990	1995	2000	2005
00. Indonesia	119,208,229	147,490,298	179,378,946	194,754,808	205,132,458	218,868,791
11. Nanggroe Aceh Darussalam	2,008,595	2,611,271	3,416,156	3,847,583	3,929,234	4,031,589
12. Sumatera Utara	6,621,831	8,360,894	10,256,027	11,114,667	11,642,488	12,450,911
13. Sumatera Barat	2,793,196	3,406,816	4,000,207	4,323,170	4,248,515	4,566,126
14. Riau	1,641,545	2,168,535	3,303,976	3,900,534	3,907,763	4,579,219
15. Jambi	1,006,084	1,445,994	2,020,568	2,369,959	2,407,166	2,635,968
16. Sumatera Selatan	3,440,573	4,629,801	6,313,074	7,207,545	6,210,800	6,782,339
17. Bengkulu	519,316	768,064	1,179,122	1,409,117	1,455,500	1,549,273
18. Lampung	2,777,008	4,624,785	6,017,573	6,657,759	6,730,751	7,116,177
19. Kep. Bangka Belitung	na	na	na	na	899,968	1,043,456
20. Kepulauan Riau	na	na	na	na	1,040,207	1,274,848
31. DKI Jakarta	4,579,303	6,503,449	8,259,266	9,112,652	8,361,079	8,860,381
32. Jawa Barat	21,623,529	27,453,525	35,384,352	39,206,787	35,724,093	38,965,440
33. Jawa Tengah	21,877,136	25,372,889	28,520,643	29,653,266	31,223,258	31,977,968
34. DI Yogyakarta	2,489,360	2,750,813	2,913,054	2,916,779	3,121,045	3,343,651
35. Jawa Timur	25,516,999	29,188,852	32,503,991	33,844,002	34,765,993	36,294,280
36. Banten	na	na	na	na	8,098,277	9,028,816
51. Bali	2,120,322	2,469,930	2,777,811	2,895,649	3,150,057	3,383,572
52. Nusa Tenggara Barat	2,203,465	2,724,664	3,369,649	3,645,713	4,008,601	4,184,411
53. Nusa Tenggara Timur	2,295,287	2,737,166	3,268,644	3,577,472	3,823,154	4,260,294
61. Kalimantan Barat	2,019,936	2,486,068	3,229,153	3,635,730	4,016,353	4,052,345
62. Kalimantan Tengah	701,936	954,353	1,396,486	1,627,453	1,855,473	1,914,900
63. Kalimantan Selatan	1,699,105	2,064,649	2,597,572	2,893,477	2,984,026	3,281,993
64. Kalimantan Timur	733,797	1,218,016	1,876,663	2,314,183	2,451,895	2,848,798
71. Sulawesi Utara	1,718,543	2,115,384	2,478,119	2,649,093	2,000,872	2,128,780
72. Sulawesi Tengah	913,662	1,289,635	1,711,327	1,938,071	2,175,993	2,294,841
73. Sulawesi Selatan	5,180,576	6,062,212	6,981,646	7,558,368	7,159,170	7,509,704
74. Sulawesi Tenggara	714,120	942,302	1,349,619	1,586,917	1,820,379	1,963,025
75. Gorontalo	na	na	na	na	833,496	922,176
76. Sulawesi Barat	na	na	na	na	891,618	969,429
81. Maluku	1,089,565	1,411,006	1,857,790	2,086,516	1,166,300	1,251,539
82. Maluku Utara	na	na	na	na	815,101	884,142
91. Irian Jaya Barat	na	na	na	na	529,689	643,012
92. Papua	923,440	1,173,875	1,648,708	1,942,627	1,684,144	1,875,388