(ANFIS) UNTUK MEMPREDIKSI CUACA (Studi Kasus Cuaca di ... ?· Dalam karya ilmiah ini Anis di gunakan…

  • Published on
    12-Mar-2019

  • View
    213

  • Download
    0

Embed Size (px)

Transcript

1

IMPLEMENTASI ADAPTIVE NEURO FUZZY INFERENCE SYSTEM

(ANFIS) UNTUK MEMPREDIKSI CUACA

(Studi Kasus Cuaca di Wilayah Tanjungpinang)

Tri Resti Fitriyah, Martaleli Bettiza, Alena Uperiati

resty2101@gmail.com

Jurusan Teknik Informatika, Fakultas Teknik, Universitas Maritim Raja Ali Haji

ABSTRAK

Untuk mengetahui cuaca di Tanjungpinang dapat dilakukan dengan cara prediksi

berdasarkan data-data yang telah lalu dengan tujuan untuk mendapatkan data yang

dapat digunakan untuk memprediksi keadaan cuaca masa depan. Agar menemukan

data yang dibutuhkan, diperlukan metode yang tepat berdasarkan data yang telah

lalu. Salah satu algoritma yang dapat digunakan untuk memprediksi ialah

Adaptive Neuro Fuzzy Inference System (ANFIS). Adaptive Neuro Fuzzy Inference

System (ANFIS) merupakan metode yang menggunakan jaringan syaraf tiruan

untuk mengimplementasikan system inferensi fuzzy. Keunggulan system inference

fuzzy adalah dapat menerjemahkan pengetahuan dari pakar dalam bentuk aturan-

aturan, namun biasanya dibutuhkan waktu yang lama untuk menetapkan fungsi

keanggotaannya. Dalam karya ilmiah ini Anis di gunakan untuk memprediksi cuaca

dengan parameter masukan suhu udara, kelembaban udara, tekanan udara dan

kecepatan angin. Dengan keluaran hasil prediksi cuaca. Dalam proses prediksi

digunakan normalisasi data, clustering dengan metode k-means. Dari hasil

pengujian yang dilakukan dapat diketahui bahwa ANFIS dengan learning rate 0.1

memberikan kesalahan pengujian terkecil yang diukur RMSE sebesar 0,4005.

Kata Kunci : cuaca, k-means, normalisasi, adaptive neuro fuzzy inference system

PENDAHULUAN

Wilayah Indonesia berada di antara 6 LU-11 LS dan merupakan daerah tropis

dengan dua musim yaitu musim hujan dan musim kemarau. Prakiraan cuaca

menjadi faktor penting dalam kehidupan sehari-hari, karena dapat mempengaruhi

aktifitas yang dilakukan oleh masyarakat. Dengan adanya ilmu teknologi yang

semakin berkembang hal tersebut dimanfaatkan dalam prakiraan cuaca.

Dengan kemungkinan terjadinya anomali cuaca. Tentu saja hujan atau panas bisa

terjadi sepanjang tahun tanpa bisa diprediksi. Jika keadaan tersebut diabaikan akan

berdampak terhadap aktivitas manusia. Penentuan model cuaca yang tepat bagi

suatu daerah sangat penting untuk menjadi pertimbangan dalam menentukan

kebijakan dan strategi. Cuaca adalah keadaan rata-rata udara pada periode waktu

sesaat.

mailto:resty2101@gmail.com

2

Untuk mengetahui cuaca di Tanjungpinang dapat dilakukan dengan cara prediksi

berdasarkan data-data yang telah lalu dengan tujuan untuk mendapatkan data yang

dapat digunakan untuk memprediksi keadaan cuaca masa depan. Agar menemukan

data yang dibutuhkan, diperlukan metode yang tepat berdasarkan data yang telah

lalu. Salah satu algoritma yang dapat digunakan untuk memprediksi ialah

Adaptive Neuro Fuzzy Inference System (ANFIS).

ANFIS merupakan metode yang menggunakan jaringan syaraf tiruan untuk

mengimplementasikan system inferensi fuzzy. Keunggulan system inference fuzzy

adalah dapat menerjemahkan pengetahuan dari pakar dalam bentuk aturan-aturan,

namun biasanya dibutuhkan waktu yang lama untuk menetapkan fungsi

keanggotaannya. Oleh sebab itu dibutuhkan teknik pembelajaran dari jaringan

syaraf tiruan untuk mengotomatisasi proses tersebut sehingga dapat mengurangi

waktu pencarian, hal tersebut menyebabkan metoda ANFIS sangat baik diterapkan

dalam berbagai bidang (Kuncahyo.,dkk, 2012).

Pada penelitian sebelumnya yang dilakukan oleh Kuncahyo dkk., (2012), mengenai

penerapan metode Adaptive Neuro-Fuzzy Inference System untuk memprediksi

nilai post test mahasiswa pada jurusan teknik. Pada penelitiannya digunakan

metode adaptive neuro-fuzzy inference system untuk memprediksi nilai post

test mahasiswa pada jurusan teknik informatika ITS dalam dua tahap.

Berdasarkan uji coba, ANFIS (Adaptive Neuro-Fuzzy Inference System)

menghasilkan rata-rata error sebesar 0,01 dan RMSE sebesar 0,01 dengan 200

epoch. Pada eksperimen ini dicoba beberapa epoch dan performa yang terbaik

dicapai pada epoch 200.

Didasari beberapa permasalahan diatas, maka penulis mencoba untuk membuat

suatu sistem untuk memprediksi cuaca di Tanjungpinang dengan judul

Implementasi Adaptive Neuro Fuzzy Inference System (ANFIS) untuk

Memprediksi Cuaca.. Prediksi cuaca ini dilakukan dengan metode ANFIS, yang

mempengaruhi kondisi cuaca yaitu suhu udara, tekanan udara, kelembaban udara

dan kecepatan angin. Output yang akan dihasilkan berupa prediksi cuaca panas,

mendung atau hujan.

BAHAN DAN METODE

Lokasi dan fokus penelitian dalam mengimplementasikan metode ANFIS adalah di

BMKG Tanjungpinang. Fokus penelitian pada aplikasi ini yaitu dengan

mengimplementasikan metode ANFIS untuk memprediksi cuaca di wilayah

Tanjungpinang. Data yang dibutuhkan dalam penelitian ini yaitu data suhu,tekanan

udara, kelembapan udara dan kecepatan angin pada Januari 2014 sampai Desember

2015 yang diperoleh dari BMKG di Kota Tanjungpinang.

Dalam penelitian ini, metode ANFIS digunakan untuk mencari rata-rata hasil

prediksi cuaca dan mencari nilai error terkecil.

Adapun langkah-langkah dalam melakukan prediksi cuaca menggunakan metode

ANFIS sebagai berikut:

1. Normalisasi data 2. Mengelompokkan data dan mencari tik pusat (centroid) dengan metode K-

Means

3

3. Mencari nilai mean dan standar deviasi 4. Menghitung nilai tiap lapisan dari lapisan 1 sampai lapisan 5

dengan metode ANFIS Menghitung nilai error menggunakan RMSE

5. Menghitung mundur untuk mencari error tiap lapisan dari lapisan 5 sampai lapisan 1

6. Menghitung nilai error dengan RMSE

HASIL

Pada sistem prediksi cuaca di Tanjungpinag digunakan 730 data dari Januari 2014

sampai Desember 2015 jumlah data (data terlampir pada lampiran 6). Dengan data

training 70% dan data testing 30%. Untuk memperoleh hasil prediksi yang optimal

dilakukan pelatihan menggunakan nilai learning rate dengan nilai acak pada

rentang nilai 0 sampai 1. Kemudian disetiap akhir iterasi dihitung RMSE (Root

Mean Square Error). RMSE yang semakin kecil menunjukkan bahwa aplikasi

mampu berjalan sesuai dengan yang diharapkan.

Data yang akan diproses untuk pelatihan dan pengujian prediksi cuaca ditunjukkan

pada Tabel 1 di bawah ini.

Tabel 1. Data Latih

Input Output

Tanggal suhu kelembaban tekanan kec angin cuaca(target)

01/01/2014 0,558 0,449 0,493 0,407 2

02/01/2014 0,654 0,408 0,555 0,593 3

03/01/2014 0,519 0,584 0,541 0,333 2

04/01/2014 0,654 0,305 0,381 0,593 3

05/01/2014 0,346 0,657 0,361 0,481 1

06/01/2014 0,077 0,932 0,435 0,111 1

07/01/2014 0,385 0,720 0,398 0,444 3

08/01/2014 0,692 0,261 0,453 0,667 2

09/01/2014 0,462 0,636 0,550 0,111 2

10/01/2014 0,596 0,481 0,544 0,074 3

11/01/2014 0,712 0,415 0,659 0,222 3

12/01/2014 0,615 0,430 0,637 0,556 2

13/01/2014 0,365 0,658 0,605 0,593 2

14/01/2014 0,548 0,328 0,644 0,407 2

15/01/2014 0,538 0,313 0,768 0,444 2

16/01/2014 0,538 0,236 0,716 0,444 2

17/01/2014 0,500 0,203 0,711 0,630 2

Pada proses pelatihan data yang telah ditentukan sebelumnya akan menggunakan 3

iterasi untuk melakukan pembelajaran terhadap parameter premis dengan

mengunakan nilai learning rate 0.1, 0.2, 0.5, dan 0.8. Kemudian hasil dari pelatihan

akan digunakan untuk proses pengujian. Berikut ini merupakan hasil pelatihan yang

akan di tunjukkan pada TabeL 2 di bawah ini.

4

Tabel 21. Hasil Pelatihan

output

target

Learning rate 0,1 Learning rate 0,2 Learning rate 0,5 Learning rate 0,8

output

training Error

output

training Error

output

training Error

output

training Error

2 2,08754 0,00766 2,13196 0,01741 2,11423 0,13049 2,22183 0,04921

3 2,41935 0,33716 2,47874 0,27171 2,44108 0,31239 2,46341 0,28793

2 2,16380 0,02683 2,05381 0,00290 2,07908 0,00625 1,94049 0,00354

3 2,48059 0,26979 2,56638 0,18803 2,50467 0,24535 2,49237 0,25769

1 1,80211 0,64338 1,68431 0,46828 1,69051 0,47681 1,44870 0,20134

1 0,58125 0,17535 1,03890 0,00151 0,43504 0,31918 0,90300 0,00941

3 1,87549 0,00309 1,76317 1,52974 1,89534 0,12203 2,12680 0,76248

2 2,65452 0,42839 2,74321 0,55236 2,59839 0,35807 2,60718 0,36867

3 2,31072 0,47511 2,26512 0,54005 2,32348 0,45768 2,10474 0,80150

3 2,81590 0,03389 2,51063 0,23949 2,60731 0,15420 2,56534 0,18893

2 2,02951 0,87107 1,89095 0,01189 2,07355 0,00541 2,04690 0,00220

2 1,90325 0,00936 1,81246 0,03517 1,95704 0,00185 1,88610 0,01297

2 1,90184 0,00964 1,79313 0,04279 1,97483 0,00633 1,92137 0,00618

2 2,21443 0,45980 1,93623 0,00407 2,19474 0,03792 2,12815 0,01642

2 2,21656 0,04690 2,15051 0,02265 2,30127 0,09077 2,24951 0,06226

RMSE 0,50503 0,51593 0,52362 0,52621

Berdasarkan Tabel 2 di atas dapat diketahui bahwa rata-rata nilai RMSE

untuk semua nilai learning rate yang diujikan cukup bagus yaitu dibawah satu. Dari

nilai tersebut, RMSE terkecil diperoleh pada hasil pengujian dengan learning rate

0,1 yaitu sebesar 0,50503. Sedangkan pada saat menggunakan learning rate 0,2

didapatkan RMSE sebesar 0,51593, learning rate 0,5 didapatkan RMSE 0,52362

dan pada learning rate 0,8 di dapat RMSE sebesar 0,52621 . Dimana nilai parameter

premis pada data tersebut akan digunakan untuk melakukan pengujian. Berikut ini

merupakan grafik hasil pngujian data latih

Gambar 11. Grafik hasil pelatihan

0

2

4

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Hasil Pelatihan

output target

Learning rate 0,1 output training

Learning rate 0,2 output training

Learning rate 0,5 output training

Learning rate 0,8 output training

5

Berikut ini merupakan hasil pengujian dengan menggunakan parameter

premis yang baru.

Gambar 2. Grafik hasil pengujian

Gambar 2 di atas menunjukkan hasil pengujian yang diketahui rata-rata nilai

RMSE pengujian terkecil dengan learning rate 0,1 yaitu sebesar 0,4005. Sedangkan

pada saat menggunakan learning rate 0,2 mendapatkan RMSE sebesar 0,4663 dan

menggunakan learning rate 0,5 didapatkan RMSE sebesar 0,4937 dan

menggunakan learning rate 0,8 didapatkan RMSE sebesar 0,5151.

Dengan menggunakan 3 learning rate yang berbeda yang telah dilakukan pelatihan

dan pengujian akan dibandingkan untuk menemukan hasil prediksi yang optimum.

Prediksi cuaca diambil dari hasil pengujian yang memberikan hasil kesalahan

terkecil yang diukur menggunakan RMSE. Berikut ini merupakan grafik

perbandingan rata-rata kesalahan pada proses pelatihan dan pengujian dari masing-

masing learning rate.

PEMBAHASAN

Gambar 33. Grafik perbandingan prediksi pada pelatihan dan pengujian

0

5

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Hasil Pengujian

output target

Learning rate 0,1 output testing

Learning rate 0,2 output testing

Learning rate 0,5 output testing

Learning rate 0,8 output testing

0

0,2

0,4

0,6

1 2 3 4

0,50503 0,51593 0,52362 0,526210,4005

0,4663 0,4937 0,5151

PERBANDINGAN HASIL PELATIHAN DAN PENGUJIAN

hasil pelatihan hasil pengujian

6

Dari Gambar 3 diatas RMSE terkecil pada data latih diperoleh dari data set learning

rate 0,1 yaitu 0,50503 dengan RMSE yang dihasilkan pada data uji adalah 0,4005.

Dari ketiga learning rate tersebut RMSE terkecil pada data uji diperoleh pada

leraning rate 0,1 dengan nilai 0,4005. Sehingga nilai prediksi menggunakan ANFIS

terbaik yang memberikan hasil prediksi dengan RMSE terkecil adalah dengan

menggunakan learning rate 0,1 dengan RMSE pengujian 0,4005.

KESIMPULAN

Berdasarkan hasil pengujian yang telah dilakukan dapat diketahui bahwa ANFIS

dapat memberikan hasil yang cukup baik dalam memprediksi cuaca di

Tanjungpinang. Dari hasil pengujian yang dilakukan dapat diketahui bahwa ANFIS

dengan learning rate 0.1 memberikan kesalahan pengujian terkecil yang diukur

RMSE sebesar 0,4005.

DAFTAR PUSTAKA

Amsa, Mohammad.G., bin ameer., A.M., dan Aibinu, M.J.E., Salami, dam Wasiu,

B., 2012, A review of forecasting review, Proceedings on the International

Conference on Artificial Intelligence (ICAI), http://search.proquest.com/, 6

Januari 2018

Budiman, J., 2013, Prediksi Awal Musim Hujan Menggunakan Adaptive Neuro

Fuzzy Inference System Pada Studi Kasus Kabupaten Indramayu, Skripsi,

Departemen Ilmu Komputer fakultas Matematika Dan Ilmu Pengetahuan

Alam, Institut Pertanian Bogor.

Chaniago, R., Liong, H.T., dan Wardani, R.R.K., 2014, Prediksi Cuaca

Menggunakan Metode Case Based Reasoning dan Adaptive Neuro Fuzzy

Inference System, Jurnal Informatika., 12, 90-95.

Dewi, C., Kartikasari, P.D., dan Mursityo, T.Y., 2014, Prediksi Cuaca Pada Data Time Series Menggunakan Adaptive Neuro Fuzzy Inference System

(ANFIS), Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 1, 18-24.

Dhuhita, P. M. W., 2016, Clustering Menggunakan Metode K-Means Untuk

Menentukan Status Gizi Balita, Jurnal Informatika, 15, 2, 2015.

Dubey, D.A., 2016, Gold Price Prediction using Support Vector Regression An

ANFIS model, International Conference on Computer Communication and

Informatics (ICCCI -2016), Coimbatore, INDIA.

Fatkhurrozi, B., Muslim, A, M., Santoso, R, D., 2012, Penggunaan Artificial Neuro

Fuzzy Inference Sistem (ANFIS) dalam Penentuan Status Aktivitas Gunung

Merapi, Jurnal EECCIS 6, 2.

7

Haniah, U, 2015, Implementasi Adaptive Neuro-Fuzzy Inference System(Anfis)

Untuk Peramalan Pemakaian Air Di Perusahaan Daerah Air Minum Tirta

Moedal Semarang, SKRIPSI, Matematika Fakultas Matematika Dan Ilmu

Pengetahuan Alam, Universitas Negeri Semarang.

Hidayat,R.,dan Suprapto.,2012,Meminimalisasi Nilai Error Peramalan dengan

Algoritma Extreme Learning Machine, Jurnal Optimasi Sistem Industri,

11,1,187-192.

Shing,J., and Jang,R.,2012,ANFIS : Adaptive Network Based Fuzzy Inference

System, IEEE Transaction On Systems, Man, And Cybernetics, 23, 3,

1993.

Kassa, Y, Zhang, H.J., Zheng, H.D., Wei 2016, Short Term Wind Power Prediction

Using ANFIS, IEEE International Conference on Power and Renewable

Energy.

Kuncahyo, B.T., Ginardi, H.V.R., Arieshanti, I., 2012, Penerapan Metode Adaptive

Neuro-Fuzzy Inference System Untuk Memprediksi Nilai Post Test

Mahasiswa Pada Jurusan Teknik informatika FTIF ITS, Seminar Tugas

Akhir.

Rozi, F., Sukmana, F., 2016, Metode Siklis Dan Adaptive Neuro Fuzzy Inference

System Untuk Peramalan Cuaca, JIPI (Jurnal Ilmiah Pendidikan

Informatika), 1, 1, 7-13.

Wibowo, S., 2015, Penerapan Logika Fuzzy Dalam Penjadwalan Waktu Kuliah,

Jurnal Informatika UPGRIS 1.

Recommended

View more >