1
IMPLEMENTASI ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
(ANFIS) UNTUK MEMPREDIKSI CUACA
(Studi Kasus Cuaca di Wilayah Tanjungpinang)
Tri Resti Fitriyah, Martaleli Bettiza, Alena Uperiati
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 6⁰ LU-11⁰ 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.
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
Hani’ah, 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.