LOGO
PREDIKSI KECEPATAN ANGIN
DI SUMENEP MENGGUNAKAN
MIXTURE OF ANFIS
Oleh:
SYARIFAH DIANA PERMAI (1307 100 011)
PEMBIMBING:
Prof. Drs. NUR IRIAWAN, M.Ikom, PhD
Dr. IRHAMAH, S.Si, M.Si
SEMINAR HASIL TUGAS AKHIR
DAMPAK KECEPATAN ANGIN
3
PENELITIAN SEBELUMNYA
1. Irhamah, dkk (2010) menggunakan
metode AI (Arificial Intelligence) yaitu
Algoritma Genetika
1. James dan Castellanos (2009)
kecepatan angin
2. Faulina (2011) kecepatan angin di
Sumenep
1. Benhammadi, dkk (2010) penelitian
pada data CPU load
PENELITIAN
SEBELUMNYA
Kecepatan
Angin
ANFIS
Mixture of
ANFIS
4
RUMUSAN MASALAH
5
Bagaimana pemodelan dan prediksi kecepatan angin di
Sumenep dengan metode ANFIS?
Bagaimana pemodelan dan prediksi kecepatan angin
di Sumenep dengan metode Mixture of ANFIS?
Bagaimana perbandingan hasil prediksi kecepatan angin
di Sumenep dengan metode ANFIS dan Mixture of
ANFIS?
1
2
BATASAN MASALAH
1.
Analisis kecepatan angin di Sumenep
tidak
mempertimbangkan
variabel-variabel lain yang
dapat mempengaruhi tinggi dan rendahnya
kecepatan angin.
2.
Membership function
yang digunakan pada
analisis ANFIS bertipe
Gaussian
dan sebanyak
dua
membership function
.
3.
Pengelompokan
yang dilakukan pada analisis
menggunakan Mixture of ANFIS dibatasi sampai
dengan
enam cluster
.
Adaptive Neuro Fuzzy Inference System
(ANFIS)
7
x
2
B
1
B
2
Π
3
N
3
3
Π
4
N
4
4
x
1
A
1
A
2
Π
1
Σ
N
1
1
Π
2
N
2
2
Layer 4
Layer 2
Layer 3
Layer 5
Layer 1
Mixture of ANFIS
8
DATA KECEPATAN ANGIN
CLUSTER 1
CLUSTER J
ANFIS 1
ANFIS J
OUTPUT
MIXTURE
P(CSt=1)
P(CSt=J)
Probabilitas State
Transition
Mengelompokan menggunakan FCM
(Benhammadi dkk, 2010)
Kecepatan Angin
Angin merupakan gerakan udara mendatar dengan permukaan
bumi yang terjadi karena adanya perbedaan tekanan antara
satu tempat dengan tempat yang lain. Perbedaan tekanan
diakibatkan adanya perbedaan suhu karena intensitas radiasi
matahari yang berbeda di tiap wilayah. Semakin besar beda
tekanannya maka semakin besar pula kecepatan anginnya
(Yani dan Rahmat, 2007).
SUMBER DATA
Data sekunder yaitu
data kecepatan angin
yang diukur oleh Badan Meteorologi dan
Geofisika Kalianget, Sumenep. Data yang
digunakan dari bulan
Januari 2009
-
Desember
2010
.
VARIABEL PENELITIAN
11
KECEPATAN
ANGIN
RATA-RATA PERHARI
(KNOT)
Januari 2009- November 2010
Desember 2010
METODE ANALISIS ANFIS
12
B
Melakukan algoritma hybrid
dengan LSE dan Backpropogation
Mendapatkan
parameter-parameter non linier dan linier
Mendapatkan nilai prediksi ANFIS
Menghitung residual in sample
Menghitung RMSE in sample
Melakukan prediksi satu bulan
Mulai
Menentukan input ANFIS
berdasarkan model AR yang
signifikan
Menentukan banyaknya membership
function
(mf)
Mendapatkan inisialisasi
parameter non linier
B
Menentukan banyaknya epoch
Mendapatkan banyaknya rule
METODE ANALISIS MIXTURE
13
Mulai
Data in sampel
Kecepatan angin
Mengelompokkan menggunakan FCM
Mendapatkan sebanyak J cluster
cluster 1
...
cluster J
ANFIS
1ANFIS
JMenghitung probabilitas state
transition
P(CS
t=1)
...
P(CS
t= J)
Mengalikan y(t) dengan P(CS
t= j)
ANALISIS DESKRIPTIF
KECEPATAN ANGIN RATA-RATA JANUARI 2009- DESEMBER 2010
14
Tahun
Bulan
Mean
variance
Min
Median
Maks
2009
Januari
7,097
10,49
2
7
15
Februari
7,143
24,349
2
5,5
22
Maret
2,903
1,09
1
3
5
April
3,867
4,189
1
3
7
Mei
4,387
3,512
2
4
9
Juni
6,467
2,12
4
7
10
Juli
7,742
4,398
4
7
12
Agustus
8,355
2,437
5
8
13
September
7,1
3,472
4
7
11
Oktober
7,258
3,798
3
7
12
November
5,767
9,702
2
4
11
Desember
3,613
4,045
1
3
13
2010
Januari
6,065
14,262
2
4
15
Februari
2,929
0,884
2
3
5
Maret
2,871
0,783
2
3
5
April
2,533
0,74
1
2
5
Mei
3,871
3,583
1
3
8
Juni
4,8
3,752
1
4,5
8
Juli
5,935
6,262
2
6
11
Agustus
6,645
2,903
4
7
10
September
5,233
4,668
1
5,5
9
Oktober
4,516
4,125
2
4
10
November
3,8
1,2
2
4
6
Desember
5,452
6,656
1
5
14
Identifikasi Stasioner
15
6 3 0 5 6 0 4 9 0 4 2 0 3 5 0 2 8 0 2 1 0 1 4 0 7 0 1 2 5 2 0 1 5 1 0 5 0 In d e x K e c e p a ta n A n g in T i m e S e r i e s P l o t o f K e c e p a t a n A n g i n 5 4 3 2 1 0 - 1 - 2 1 6 1 4 1 2 1 0 8 6 4 2 0 L a m b d a S tD e v L o w e r C L U p p e r C L L im it E stim a te 0 ,4 1 L o w e r C L 0 ,2 7 U p p e r C L 0 ,5 3 R o u n d e d V a lu e 0 ,5 0 ( u sin g 9 5 ,0 % c o n fid e n c e ) L a m b d a B o x -C o x P l o t o f K e c e p a t a n A n g i n 7 0 6 5 6 0 5 5 5 0 4 5 4 0 3 5 3 0 2 5 2 0 1 5 1 0 5 1 1 ,0 0 ,8 0 ,6 0 ,4 0 ,2 0 ,0 - 0 ,2 - 0 ,4 - 0 ,6 - 0 ,8 - 1 ,0 L a g A u to c o rr e la ti o n A u t o c o r r e l a t i o n F u n c t i o n f o r T r a n s f o r m a s i _ K e c e p a t a n a n g i nIdentifikasi Model ARIMA
16
7 0 6 5 6 0 5 5 5 0 4 5 4 0 3 5 3 0 2 5 2 0 1 5 1 0 5 1 1 ,0 0 ,8 0 ,6 0 ,4 0 ,2 0 ,0 - 0 ,2 - 0 ,4 - 0 ,6 - 0 ,8 - 1 ,0 L a g A u to c o rr e la ti o n A u t o c o r r e l a t i o n F u n c t i o n f o r D i f f e r e n c i n g( w ith 5 % s ig n ific a n c e lim its fo r th e a u to c o r r e la tio n s )
7 0 6 5 6 0 5 5 5 0 4 5 4 0 3 5 3 0 2 5 2 0 1 5 1 0 5 1 1 ,0 0 ,8 0 ,6 0 ,4 0 ,2 0 ,0 - 0 ,2 - 0 ,4 - 0 ,6 - 0 ,8 - 1 ,0 L a g P a rt ia l A u to c o rr e la ti o n P a r t i a l A u t o c o r r e l a t i o n F u n c t i o n f o r D i f f e r e n c i n g
( w ith 5 % s ig n ific a n c e lim its fo r th e p a r tia l a u to c o r r e la tio n s )
Parameter Anfis
Input Z
t-1
dan Z
t-3
17
MF
parameter
input
Z
t-1
Z
t-3
1
c
-1,779
-1,404
σ
0,7677
1,489
2
c
2,543
2,366
σ
0,7261
1,811
aturan
p
q
r
1
-0,4953
-0,1376
-0,1791
2
-0,1175
-0,03373
0,1639
3
-3,243
1,743
5,71
4
2,648
3,862
-7,575
Mixture of ANFIS
dua cluster
18
Variabel
N
Mean
Std Deviasi
Median
Min
Maks
Kelompok 1
411
3,3212
1,0928
3
1
5
Kelompok 2
288
8,031
2,088
7
6
22
19
KELOMPOK 1
4 1 0 3 6 9 3 2 8 2 8 7 2 4 6 2 0 5 1 6 4 1 2 3 8 2 4 1 1 5 4 3 2 1 In d e x k e lo m p o k 1 T i m e S e r i e s P l o t o f k e l o m p o k 1 5 ,0 2 ,5 0 ,0 - 2 ,5 - 5 ,0 9 8 7 6 5 4 3 2 1 0 L a m b d a S tD e v L o w e r C L U p p e r C L L im it E stim a te 0 ,8 6 L o w e r C L 0 ,5 8 U p p e r C L 1 ,1 8 R o u n d e d V a lu e 1 ,0 0 ( u sin g 9 5 ,0 % c o n fid e n c e ) L a m b d a B o x -C o x P l o t o f k e l o m p o k 1Identifikasi Stasioner
MODEL ARIMA
KELOMPOK 1
20
6 5 6 0 5 5 5 0 4 5 4 0 3 5 3 0 2 5 2 0 1 5 1 0 5 1 1 ,0 0 ,8 0 ,6 0 ,4 0 ,2 0 ,0 - 0 ,2 - 0 ,4 - 0 ,6 - 0 ,8 - 1 ,0 L a g A u to c o rr e la ti o n A u t o c o r r e l a t i o n F u n c t i o n f o r k e l o m p o k 1( w ith 5 % s ig n ific a n c e lim its fo r th e a u to c o r r e la tio n s )
6 5 6 0 5 5 5 0 4 5 4 0 3 5 3 0 2 5 2 0 1 5 1 0 5 1 1 ,0 0 ,8 0 ,6 0 ,4 0 ,2 0 ,0 - 0 ,2 - 0 ,4 - 0 ,6 - 0 ,8 - 1 ,0 L a g P a rt ia l A u to c o rr e la ti o n P a r t i a l A u t o c o r r e l a t i o n F u n c t i o n f o r k e l o m p o k 1
( w ith 5 % s ig n ific a n c e lim its fo r th e p a r tia l a u to c o r r e la tio n s )
ANFIS
KELOMPOK 1
21
MF
Input
Z
t-1
1
c
1,191
σ
1,571
2
c
5,619
σ
0,5147
Aturan
parameter
p
q
1
0,2191
2,457
2
-8,985
48,78
22
KELOMPOK 2
2 6 1 2 3 2 2 0 3 1 7 4 1 4 5 1 1 6 8 7 5 8 2 9 1 2 2 ,5 2 0 ,0 1 7 ,5 1 5 ,0 1 2 ,5 1 0 ,0 7 ,5 5 ,0 In d e x k e lo m p o k 2 T i m e S e r i e s P l o t o f k e l o m p o k 2 5 ,0 2 ,5 0 ,0 - 2 ,5 - 5 ,0 4 ,0 3 ,5 3 ,0 2 ,5 2 ,0 1 ,5 1 ,0 L a m b d a S tD e v L o w e r C L U p p e r C L L im it E stim a te - 1 ,0 3 L o w e r C L - 1 ,6 2 U p p e r C L - 0 ,5 2 R o u n d e d V a lu e - 1 ,0 0 ( u sin g 9 5 ,0 % c o n fid e n c e ) L a m b d a B o x -C o x P l o t o f k e l o m p o k 2Identifikasi Stasioner
23
6 0 5 5 5 0 4 5 4 0 3 5 3 0 2 5 2 0 1 5 1 0 5 1 1 ,0 0 ,8 0 ,6 0 ,4 0 ,2 0 ,0 - 0 ,2 - 0 ,4 - 0 ,6 - 0 ,8 - 1 ,0 L a g A u to c o rr e la ti o n A u t o c o r r e l a t i o n F u n c t i o n f o r t r a n s _ k e l o m p o k 2( w ith 5 % s ig n ific a n c e lim its fo r th e a u to c o r r e la tio n s )
6 0 5 5 5 0 4 5 4 0 3 5 3 0 2 5 2 0 1 5 1 0 5 1 1 ,0 0 ,8 0 ,6 0 ,4 0 ,2 0 ,0 - 0 ,2 - 0 ,4 - 0 ,6 - 0 ,8 - 1 ,0 L a g P a rt ia l A u to c o rr e la ti o n P a r t i a l A u t o c o r r e l a t i o n F u n c t i o n f o r t r a n s _ k e l o m p o k 2
( w ith 5 % s ig n ific a n c e lim its fo r th e p a r tia l a u to c o r r e la tio n s )