PREDIKSI KECEPATAN ANGIN DI SUMENEP MENGGUNAKAN MIXTURE OF ANFIS

(1)

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

(2)

DAMPAK KECEPATAN ANGIN

(3)

3

(4)

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

(5)

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

(6)

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

.

(7)

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

2 Π

1 Σ

N

1

1 Π

2 N

2

2 Layer 4

Layer 2

Layer 3

Layer 5

Layer 1

(8)

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)

(9)

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).

(10)

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

.

(11)

VARIABEL PENELITIAN

11 KECEPATAN

ANGIN

RATA-RATA PERHARI

(KNOT)

Januari 2009- November 2010

Desember 2010

(12)

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

(13)

METODE ANALISIS MIXTURE

13 Mulai

Data in sampel

Kecepatan angin

Mengelompokkan menggunakan FCM

Mendapatkan sebanyak J cluster

cluster 1

...

cluster J

ANFIS

1

ANFIS

J

Menghitung probabilitas state

transition

P(CS

t

=1)

...

P(CS

t

= J)

Mengalikan y(t) dengan P(CS

_t

= j)

(14)

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

(15)

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 n

(16)

Identifikasi 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 )

(17)

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

(18)

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)

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 1

Identifikasi Stasioner

(20)

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

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

(21)

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)

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 2

Identifikasi Stasioner

(23)

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

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

ARIMA([6],0,4)

MODEL ARIMA

(24)

24

ANFIS

KELOMPOK 2

aturan

p

q

1 -2,597

0,2724

2 -0,1287

0,2414

MF

Input

Z

_t-6

1 c

0,03863

σ

0,0757

2 c

0,1409

σ

0,05444

(25)

25 P(CS

_t

= 1)

0,70712

P(CS

_t

= 2)

0,46854

Variabel

Mean

Median

Var

Min

Maks

RMSE

Residual

2,4041

2,2054

5,2975

-1,7157

18,494

3,3271

1 8 1 5 1 2 9 6 3 0 1 6 0 1 4 0 1 2 0 1 0 0 8 0 6 0 4 0 2 0 0 R e s id u a l M ix t u r e D u a K e lo m p o k Fr e q u e n c y H i s t o g r a m o f R e s i d u a l M i x t u r e D u a K e l o m p o k

MIXTURE OF ANFIS

DUA KELOMPOK

(26)

Mixture of ANFIS

26 Cluster

Mean

Median

Var

Min

Maks

RMSE

2 2,4041

2,2054

5,2975

-1,7157

18,494

3,3271

3 1,9054

1,3616

6,1834

-1,358

16,246

3,1313

4 1,9283

1,3046

5,0284

-0,5742

15,469

2,9924

5 1,5063

1,3965

4,1163

-0,6035

20,86

2,5258

6 1,08

1,1886

4,5441

-1,4059

20,272

2,3883

(27)

Perbandingan ANFIS dan Mixture

of ANFIS

27 Metode

Kriteria

ANFIS

Mixture of

_ANFIS

RMSE in sample

3,81142

2,3883

RMSE out

(28)

KESIMPULAN

ANFIS

•menghasilkan empat aturan dan 20 parameter.

• RMSE in sample sebesar 3,81142.

•epoch sebanyak 170

Mixture of ANFIS

Perbandingan

•Nilai RMSE minimum sebesar 2,3883

•diperoleh ketika banyaknya cluster enam

•metode mixture of ANFIS lebih akurat dalam

memprediksi kecepatan angin rata-rata di

Sumenep

(29)

SARAN

1. Banyaknya membership function

2. Tipe membership function

3. Melakukan forecast dengan langkah:

a.

Meramalkan cluster berdasarkan

probabilitas state transition

b.

Melakukan analisis ANFIS sesuai dengan

clusternya

(30)

LOGO

(31)

LOGO