PERANCANGAN MODEL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK MEMPREDIKSI CUACA MARITIM

Oleh :

Ardian Candra Pratama 2406 100 021

Dosen Pembimbing : Ir. Syamsul Arifin, MT.

Dr. Ir. Aulia Siti Aisyah, MT.

PERANCANGAN MODEL

ADAPTIVE

NEURO FUZZY INFERENCE SYSTEM

UNTUK

MEMPREDIKSI CUACA MARITIM

JURUSAN TEKNIK FISIKA

Fakultas Teknologi Industri

Institut Teknologi Sepuluh Nopember

Surabaya 2010

Bumi adalah Sistem

Cuaca = keadaan rata-rata kondisi atmosfir

di suatu tempat tertentu dan dalam

Unsur Cuaca

No Unsur Uraian

1 Suhu Rata-Rata

Hasil rata-rata harian yang diambil dari rumus 2 X pagi + siang + sore dibagi 4.

2 Suhu Maximum Rata-rata temperatur maximum dalam satu hari. 3 Suhu Minimum Rata-rata temperatur minimum dalam satu hari. 4 Hujan Jumlah hujan dalam satu hari dengan satuan milimeter 5 Sinar Matahari

Rata-rata lamanya penyinaran matahari tiap hari dihitung dengan %; 100% berarti rata-rata tiap hari 8 jam.

6

Tekanan Udara(di

atas muka laut) Rata-rata tekanan udara dalam satu hari dengan satuan milibars. 7 Kelembaban Udara Rata-rata Kelembaban Udara dalam satuhari

8

Kec Angin

Rata-Rata Hasil rata-rata kecepatan angin rata-rata satu hari 9 Kec Angin Terbesar

Kecepatan angin yang terbesar yang pernah diamati(selama jam-jam pengamatan).

10

Arah Angin Terbanyak

Arah angin yang diamati tiap jam dalam satu hari dipilih yang terbanyak arahnya.

Presipitasi/Curah Hujan

• Merupakan proses secara fisika &

kimia yang mengubah wujud air

menjadi fase yang berbeda

• Di Indonesia, presipitasi umumnya

dikenal sebagai curah hujan

• 1 mm = 1 liter pada bidang 1 meter

persegi

• Hari hujan adalah curah hujan

Pola Curah hUjan di Indonesia

• Keragaman jumlah curah hujan sangat besar

Evaporasi

• Merupakan proses

perubahan fase cair

menjadi gas (uap air)

• Yang mempengaruhi

evaporasi meliputi :

radiasi surya, suhu

udara, kelembaban

udara, tekanan

udara dan kecepatan

angin

Gelombang Laut

• Pembangkit gelombang laut :

1. angin (gelombang angin),

2. gaya tarik menarik bumi-bulan-matahari

(gelombang pasang-surut),

3. gempa (vulkanik atau tektonik) di dasar laut

(gelombang tsunami),

Arus Laut

• Perpindahan masa air

• Disebabkan oleh :

– Arus Permukaan ---> angin

ANFIS

A1 A2 B1 B2 Π Π N N Σ X Y W1 W2 W1' W2' f XY XY

TUJUAN PENELITIAN

Merancang model cuaca menggunakan

adaptive neuro-fuzzy inference system yang

digunakan sebagai prediktor cuaca pada

Metodologi

Start Studi Literatur Pengambilan Data Pengolahan Data Perancangan Model ANFIS Perancangan Software Prediktor Validasi Model

Analisis dan Pembuatan Laporan

Finish Ya

Data Lapangan

• Variabel cuaca selama 3 tahun yatiu mulai bulan 1 Jauari 2006 s/d 31 Desember 2008

Perancangan Model

• Model Time Series

– Input--> y(t-n) dan y(t)

– Output--> y(t+n)

• Model Multi Variate

– Input--> Suhu,Tekanan Udara,Kelembaban,

Kecepatan Angin

– Output-->

-Curah Hujan

-Ketinggian Gel Laut

-Kecepatan Arus Laut

Parameter Validasi

%

100

)

(

var

)

(

ˆ

)

(

var

1

x

t

y

t

y

t

y

VAF

N

y

y

RMSE

N

i

i

i

1

2

ˆ

Curah Hujan

INPUT DATA Num MF RMSE Tr RMSE Val VAF (%)

T Rh 2 10.6771 8.23103 16.1 3 10.5691 10.1157 -11.91 4 10.5135 11.3646 -60.89 5 10.35 33.4028 -1254.21 T p 2 10.7713 8.69696 6.06 3 10.7284 8.70634 5.88 4 10.6698 9.50843 0.85 5 10.4537 21.3034 -30.78 T v 2 11.0516 9.1552 -3.71 3 10.9721 9.34931 -6.2 4 10.8634 15.8548 -171.08 5 10.7321 10.784 -31.14 Rh p 2 10.6392 8.2718 14.98 3 10.6075 9.05809 10.75 4 10.4422 18.6597 -324.98 5 10.2937 497.081 -228821.23 Rh v 2 10.6392 8.2718 14.98 3 10.6075 9.05809 10.75 4 10.4422 18.6597 -324.98 5 10.2937 497.081 -228821.23

Curah Hujan( Cont.)

INPUT DATA Num MF RMSE Tr RMSE Val VAF (%)

p v 2 10.7043 8.85483 2.44 3 10.5618 9.30197 -7.27 4 10.4964 14.7556 2.82 5 10.3792 9.31643 -8.29 T Rh p 2 10.5383 8.27307 15.18 3 10.2013 125.039 -799.75 4 9.77168 2359 -6318981.33 5 9.18386 3867.22 -16108290.06 T Rh v 2 10.5247 8.45653 12.3 3 10.084 10.4551 -22.71 4 9.7061 29.9042 -263.64 5 9.03076 54.2953 -3039.88 T p v 2 10.579 9.17624 -3.47 3 10.1845 11.4137 -52.07 4 9.99455 34.5376 -1373.22 5 9.33901 1304.36 -372055.59 T Rh p v 2 10.2712 8.74718 15.24 3 8.81488 1367.99 -323477.6 4 7.07172 6481.99 -46152288.89

Curah Hujan (Cont.)

ANFIS Data input

RMSE tr RMSE ch VAF (%) Curah Hujan

Time Series (Day)

Curah hujan (t-1) hari

Curah Hujan (t)hari 10.68 9.22 13.05

Curah Hujan Multi Variate

Suhu udara07.00, Suhu udara17.00,

Kelembaban07.00

9.64 7.98 38.00 Curah Hujan

Multi Variate

Suhu udara rata-rata Kelembaban rata-rata Tekanan rata-rata

Arus Laut

INPUT DATA Num MF RMSE Tr RMSE Val VAF (%)

T Rh 2 5.01669 6.32036 10.81155854 3 4.95614 6.29836 12.14130053 4 4.8312 6.23122 11.9941979 5 4.74777 22.1168 -892.25314 T p 2 5.79343 6.71705 4.167236073 3 5.74275 6.59325 4.169264788 4 5.73665 6.64251 4.200647547 5 5.75212 6.62298 4.747758847 T v 2 5.74895 6.66664 11.96434859 3 5.70638 6.98322 16.9187768 4 5.6829 6.7991 14.04484132 5 5.66754 6.87839 22.89778513 Rh p 2 5.88093 7.26169 5.007815865 3 5.83041 7.22564 5.545530807 4 5.78433 7.21124 7.482776617 5 5.77319 7.18634 7.935581871 Rh v 2 5.74958 7.34109 12.45205051 3 5.7111 7.42902 14.61517763 4 5.71093 7.42052 14.51764015 5 5.7118 7.42132 14.3996894

INPUT DATA Num MF RMSE Tr RMSE Val VAF (%) p v 2 6.00494 6.89085 5.933917151 3 5.99777 6.91443 7.443286951 4 5.99978 6.93145 6.892317897 5 5.98765 6.82434 9.466725199 T Rh p 2 4.61577 6.2774 20.99941673 3 4.38611 10.2645 29.87359402 4 3.97204 62.609 -7225.30958 5 3.68167 1655.94 -5443631.43 T Rh v 2 4.90777 6.35346 13.0783876 3 4.86447 7.25009 26.10689375 4 4.83184 7.57077 32.08822024 5 4.79057 7.1867 26.50050272 T p v 2 5.34634 6.75158 18.44570175 3 5.13294 11.6598 8.446981424 4 4.87393 37.007 -2585.62606 5 4.68181 63.2738 -8639.34833 T Rh p v 2 4.35447 7.51449 64.35505218 3 3.59296 111.299 -28445.3198 4 2.31204 1237.58 -3725952.39

ARUS LAUT Time Series

Prediction n

No. of

gbell

RMSE tr

RMSE ch

VAF

(%)

1 jam

2

0.218878

0.146046

99.877

kedepan

3

0.20932

0.146218

99.887

6 jam

2

1.9091

1.39179

93.013

kedepan

3

1.8812

1.37667

93.409

12 jam

2

2.95096

2.70594

78.067

kedepan

3

2.91057

2.73741

78.826

24 jam

2

3.5431

3.73346

66.467

kedepan

3

3.49776

3.73248

67.627

INPUT DATA Num MF RMSE Tr RMSE Val VAF (%) T Rh 2 0.0978547 0.151749 7.740701099 3 0.0959889 0.153531 8.96840033 4 0.0934515 0.161701 35.67036668 5 0.0907496 0.444763 -580.770012 T p 2 0.101577 0.101577 5.356169982 3 0.0997641 0.153254 6.045710403 4 0.0976748 0.349116 -265.085035 5 0.0965411 0.447606 -387.023576 T v 2 0.102849 0.153694 8.717688579 3 0.102699 0.154898 8.57091766 4 0.102708 0.153599 10.39759617 5 0.102416 0.155029 9.051154585 Rh p 2 0.107469 0.167274 3.847959763 3 0.10517 0.170937 7.069804594 4 0.102047 0.184948 30.25405022 5 0.100705 0.18235 25.02655871 Rh v 2 0.109312 0.169422 2.773947452 3 0.108943 0.170777 3.546624474 4 0.108943 0.171048 3.52668914 5 0.108922 0.170604 3.75290256

Gelombang Laut

INPUT DATA Num MF RMSE Tr RMSE Val VAF (%) p v 2 0.109042 0.158246 3.955647427 3 0.106819 0.158461 6.98139534 4 0.105214 0.1799 57.36860013 5 0.103788 0.174652 43.90753297 T Rh p 2 0.0918024 0.159564 14.36122328 3 0.0861051 0.164534 9.524386152 4 0.0793131 0.290056 -67.3215388 5 0.0742755 8.79859 -242201.75 T Rh v 2 0.0948484 0.153861 8.351528327 3 0.0943597 0.154671 10.29327867 4 0.0919781 0.154475 16.82751428 5 0.0910053 0.170204 37.5591178 T p v 2 0.0983354 0.159154 7.577132598 3 0.0936935 0.157382 18.33563405 4 0.0878803 0.839428 -2323.42985 5 0.0850171 0.585437 -1166.43363 T Rh p v 2 0.0855879 0.166655 34.00690201 3 0.0680026 2.66928 -26846.9186 4 0.0434261 22.6073 -2053279.88

GELOMBANG LAUT Time Series

Prediction

n

Training

Data

Checking

Data

No.

of

gbell

RMSE tr

RMSE ch

VAF

(%)

1 jam

8758

735

2

0.00586442

0.00638908

99.913

kedepan

8758

735

3

0.00583634

0.00634874

99.803

6 jam

8748

725

2

0.0244238

0.0355639

98.678

kedepan

8748

725

3

0.0240735

0.0369946

98.202

12 jam

8736

713

2

0.0428164

0.0741199

92.888

kedepan

8736

713

3

0.0428164

0.0741199

92.888

24 jam

8712

698

2

0.0621748

0.12043

68.909

kedepan

8712

698

3

0.0593957

0.124634

64.964

Kesimpulan

• Pererforma model curah hujan mengguakan ANFIS multi variate

lebih bagus dibandingkan dengan ANFIS time series.

• ANFIS peka tehadap perbedaan besar jangkauan data dan dan

magnitude data input, jadi unsur cuaca tidak mempengaruhi

performa sistem.

• Hasil validasi perancangan model cuaca maritim menggunakan

metode ANFIS menghasilkan parameter spesifikasi seperti berikut :

• Untuk prediksi curah hujan menghasilkan nilai RMSE training =

9.64 mm/hari, RMSE validasi = 7.98 mm/hari dan VAF = 38,00

%.

• Untuk prediksi arus laut menghasilkan nilai RMSE training =

0.20932 cm/s, RMSE validasi = 0.146218 cm/s dan VAF = 99.887

%.

• Untuk prediksi ketinggian gelombang laut menghasilkan nilai

RMSE training = 0.00586442 m, RMSE validasi = 0.00638908

m dan VAF = 99.913 %.