PERANCANGAN MODEL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK MEMPREDIKSI CUACA MARITIM
(Ardian Candra Pratama ; Ir. Syamsul A,M.T; Dr. Ir. Aulia S.A, M.T) Jurusan Teknik Fisika – Fakultas Teknologi Industri
Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih – Sukolilo, Surabaya 60111 Abstrak
Studi ini menyelidiki penerapan Adaptive Neuro Fuzzy Inference System untuk memprediksi 3 variabel cuaca yaitu curah hujan, kecepatan arus laut, dan ketinggian gelombanag laut menggunakan beberapa parameter cuaca sebagai prediktor. Data yang digunakan berasal dari stasiun cuaca BMKG yang dikumpulkan selama 3 tahun dengan interval waktu 1 hari. Pada penelitian ini dibandingkan dua metode yaitu multi variate dan time series ANFIS. Digunakan gabunagn alogaritma backpropagation gradient descent dan recursive least square estimator(RLSE)untuk pembelajaran. Kita menemukan bahwa ANFIS time series lebih sesuai untuk memodelkan kecepatan arus laut dan ketinggian gelombang laut. Performa model ini dapat dinilai dari RMSE-nya yaitu masing-masing 0.20932 cm/s dan 0.00638908 m. Selain itu VAF juga digunakan untuk menilai performa mode, untuk kecepatan arus laut mencapai 99.887 % dan ketinggian gelombang laut adalah 99.913 %. Akan tetapi ANFIS tidak sesuai untuk memodelkan curah hujan. RMSE dan VAF untuk model ini adalah 9.64 mm/hari dan 38,00 %. Hal ini dikarenakan ANFIS peka terhadap perbedaan jangkauan data input/outputnya.
Kata kunci : ANFIS, curah hujan, kecepatan arus laut, ketinggian gelombang laut. I. Pendahuluan
Mencari metoda untuk memprediksi cuaca adalah kegiatan yang akhir-akhir ini giat dilakukan oleh peneliti atmosfer/cuaca. Hal ini dikarenakan banyaknya tuntutan dari berbagai pihak yang membutuhkan informasi kondisi atmosfer yang lebih cepat, lengkap, dan akurat. Bahkan beberapa pihak lain menuntut tersedianya prediksi kondisi atmosfer dengan rentang waktu harian/jam-an dalam skala ruang yang lebih kecil. Kebutuhan ini mendorong berkembangnya metoda-metoda prediksi cuaca/iklim baik berbasis metoda statistik maupun metoda dinamik.
Pada penelitian sebelumnya dilakukan peramalan cuaca dengan menggunakan fuzzy
clustering(Syamsul Arifin, 2007), logika fuzzy
yang digunakan dalam penelitian ini mampu melakukan predisksi sebanayak 211 prediksi dengan tepat untuk data uji sebanyak 304 hari, penelitian ini menghasilkan tingkat ketepatan sebesar 69%. Selanjutnya prediksi cuaca maritim menggunakan jaringan syaraf tiruan (Andre Kresnawan, 2008) mempunyai tingkat akurasi sebesar 60,7 % untuk prediksi arus laut, 72,4% untuk prediksi ketinggian gelombang laut, 26,122 % untuk prediksi curah hujan.
Selanjutnya pada penelitian ini digabungkan dua metode yaitu logika fuzzy yang mampu menggunakan variabel linguistik sebagai salah satu data base dalam pengambilan keputusan untuk prediksi cuaca dan jaringan syaraf tiruan yang mempunyai kemampuan untuk beradaptasi karena variabel-variabel atmosfir yang bersifat non-linier. Kedua metode itu akan digabungkan dalam metode
Adaptive Neuro Fuzzy Inference System agar bisa
mempertinggi tingkat ketepatan prediksi cuaca tersebut. Permasalahan yang harus diselesaikan dalam pelaksanaan tugas akhir ini adalah bagaimana merancang model cuaca menggunakan
adaptive neuro-fuzzy inference system untuk
memprediksi cuaca maritim pada wilayah tertentu. II. Data dan Metode
Data. Data utama dikumpulkan oleh stasiun cuaca BMKG II Perak Surabaya. Variabel cuaca ini kemudian direkam per-hari selama 3 tahun yatiu mulai bulan 1 Jauari 2006 s/d 31 Desember 2008. Koordinat pengambilan data ini adalah 70 12’ 20’’ LS dan 1120 44’ 08’’ BT. Data tersebut terdiri dari 7 variabel yaitu : kecepatan angin (m/s), kelembaban udara (%), tekanan udara (mBarr), suhu udara (0C), curah hujan (mm/day), ketinggian gelombang laut (m), dan kecepatan arus laut (cm/s). Selanjutnya data yang telah terekam itu dibagi menjadi dua bagian, bagian pertama digunakan sebagai data training dan bagian kedua dijadikan sebagai data validasi.
Model ANFIS. Pada penelitian ini dilakukan eksperimen dengan berbagai model ANFIS. Salah satu hal yang mempengaruhi model ANFIS ini adalah jumlah input jaringan. Dibandingkan antara ANFIS time series dan ANFIS multi variabel. Pada ANFIS time series input data sama dengan variabel output data, akan tetapi berbeda terhadap fungsi waktu. Pada model time series ini, variabel lain diasumsikan konstan dan tidak mempengaruhi variabel yang dimodelkan. Yang diutamakan dalam model ini adalah pola data terhadap fungsi waktu. Data curah hujan direkam setiap 1 hari sekali, oleh karena itu curah hujan hanya dimodelkan untuk
Gambar 3.9 Struktur ANFIS 2 input dan 2 membership function memprediksi curah hujan satu hari kedepan
saja. Input yang digunakan adalah data curah hujan pada hari ini dan satu hari sebelumnya. Sedangkan pada model kecepatan arus laut dan ketinggian gelombag laut digunakan data setiap jam untuk memprediksi variabel-variabel tersebut pada 1, 6, 12, dan 24 jam kedepan. Sebagai inputan adalah data pada saat ini dan n jam kebelakang.
Selanjutnya untuk ANFIS multi variabel, digunakan variabel lain sebagai intput jaringan,sedangkan output jaringan adalah tiga variabel yang dimodelkan yaitu curah hujan, kecepatan arus laut, dan ketinggian gelombang laut. Unsur cuaca yang digunakan sebagai input adalah suhu udara, tekanan udara, kelembaban udara, dan kecepatan angin. Keempat variabel ini digunakan sebagai input dikarenakan variabel-variabel ini penyebab utama terjadinya hujan. Akan tetapi pada penelitian ini dibandingkan antara kombiasi-kombinasi inputan jaringan. Kombiasi itu antara lain; hanya digunakan 2 variabel saja misalnya suhu udara dan kelembaban udara, kemudian dibandingkan dengan 3 variabel input, dan 4 variabel input. Dikarenakan ANFIS peka terhadap jumlah input data, maka digunakan berbagai macam kombinasi input data. Oleh sebab itu dipersiapkan beberapa macam kombinasi input data pada beberapa model ANFIS ini.
Perancangan model ANFIS. Berdasarkan ANFIS tool, ada dua hal utama yang harus dilakukan untuk merancang ANFIS
1. Perancangan jaringan ANFIS Sugeno
Jaringan ANFIS seperti terlihat pada gambar di atas. Proses ini dijalankan dengan perintah anfisedit dengan numMF 2 dan mftype adalah ‘gbellmf’. 2. Proses pembelajaran
Proses pembelajaan dimulai dengan perintah anfis dengan alogaritma pembelajaran hybrid dan epoch number 50. Selama pembelajran, ANFIS akan mempelajari pola deret input dan deret output. 3. Validasi
Setelah dilakukan pmbelajaran, didapatkan model ANFIS yang selanjutnya disimulasikan dengan
input data validasi. Untuk mengetahui performa model ini digunaka 2 parameter yaitu root mean square error (RMSE) dan Variance Accounted For (VAF) dengan persamaan di bawah ini:
…(2.1)
…(2.2) Variabel di atas dapat dijelaskan sebagai berikut, yi adalah data output hasil pengukuran dan yi bar adalah output jaringan hasil prediksi, sedangkan N adalah jumlah data.
III. Hasil
Curah Hujan. Pada perancangan model curah hujan, dibandingkan antara metode time series dan multi variate. Pada metode time series input jaringan merupakan variabel curah hujan sendiri, akan tetapi berbeda pada waktunya, yaitu curah hujan pada (t-1) dan (t). Untuk keluaran jaringan adalah curah hujan pada keesokan harinya yaitu (t+1). Hasil dari pemodelan masing-masing metoda dapat dilihat pada grafik di bawah ini. Dan performansi dari model-model tersebut dapat diketahui dari nilai RMSE-nya dan hasil simulasi terhadap nilai sesungguhnya.
Gambar 4.1 RMSE ANFIS time series Lapisan 5 X A 1 A 2 Y B1 B2
П
П
П
П
N
N
N
N
Σ
Z
Lapisan 1 Lapisan 2 Lapisan 3 Lapisan 4
N y y RMSE N i i i 1 2 ˆ % 100 ) ( var ) ( ˆ ) ( var 1 x t y t y t y VAF
Gambar 4.2 RMSE ANFIS multi variate
Gambar 4.3 Grafik curah hujan dan error pada pukul 07.00 WIB aktual (biru) dan prediksi (merah) dengan
model ANFIS time series
Dapat kita amati pada gambar 4.3 bahwa pada model ANFIS time series bukan merupakan prediktor yang kuat. Terlihat pada grafik tersebut, prediksi dari model ini tidak bisa mengikuti pola curah hujan yang terjadi. Pola prediksi selalu satu hari terlambat dari keadaan yang sebenarnya. Pada kasus ini ANFIS mengikuti pola satu hari di belakangnya dan model ini masih menyimpan memori tesebut, sehingga pada prediksi satu hari berikutnya akan tampak sama dengan pola satu hari berikutnya. Jadi masih ada beberapa nilai curah hujan yang diambil oleh sistem. VAF terbaik dari metode ini adalah 13,05%, nilai ini mengindikasikan bahwa model ini tidak bisa menyesuaikan dengan pola curah hujan sebenarnya. Pada grafik error prediksi terlihat bahwa apabila terjadi perubahan pola curah hujan secara signifikan maka error akan semakin besar. Hal ini menunjukkan bahwa ANFIS time series tidak peka dengan perubahan magnitude dari pola curah hujan sebenarnya.
Gambar 4.4 Grafik curah hujan dan error pada pukul 07.00 WIB dengan model ANFIS multi variabel sebagai predictor adalah
suhu, tekanan, dan kelembaban rata-rata
Grafik di atas merupakan hasi simulasi dan error prediksi curah dari ANFIS multi variate. Terdapat 3 variabel berbeda yang digunakan sebagai input jaringan. Variabel tersebut merupakan unsur utama cuaca, yaitu suhu udara (°C), tekanan udara (mBar), dan kelembaban udara (%). Pada dasarnya terjadinya hujan dipengaruhi oleh ketiga variabel ini. Suhu udara mempengaruhi terjadinya penguapan air. Jumlah air di udara menentukkan tingkat kelembaban udara. Dan tekanan udara juga dipengaruhi oleh suhu udara, karena semakin panas suhu udara maka tekanan udara akan semakin kecil. Fenomena fisis itu nantinya mempengaruhi terbentuknya dan terkumpulnya awan dan menjadi hujan. Akan tetapi pada simulasi ternyata hubungan ketiga variabel tersebut tidak menentukan performansi ANFIS dalam memprediksi cuaca. Hipotesa awal, hal yang mempengaruhi performansi ANFIS adalah magnitude dan skala besarnya variabel input. Ketiga variabel input tersebut mempunyai magnitude dan besar skala yang jauh berbeda, suhu udara 23-35°C, kelembaban 40-100%, dan tekanan udara 1000-1012 mBar. Untuk membuktikan hal itu dilakukan perancangan model menggunakan input yang mempunyai magnitude dan skala yang tidak jauh berbeda, yatiu pada model selanjutnya.
Pada gambar selanjutnya, kita dapat menggambarkan beberapa hasil yang lebih bagus dari ANFIS untuk memprediksi curah hujan harian pada pukul 07.00 waktu setempat. Ini adalah beberapa hasil terbaik dari aplikasi ANFIS multi variate. Pada studi ini, diselidiki pengaruh dari kombinasi data input terhadap performa ANFIS. Hasil terbaik dari studi ini adalah curah hujan dengan prediktor suhu udara pada pukul 07.00, suhu udara pada pukul 17.00, dan kelmbaban udara pada pukul 07.00 waktu setempat. Curah hujan yang diprediksi adalah curah hujan pada pukul 07.00 waktu setempat pada hari berikutnya. Pertimbangan dari kombiasi variabel inputan ini adalah suhu udara secara fisis mempengaruhi kelembaban udara. Dan dilakukan untuk curah hujan pada keesokan harinya dikarenakan penakaran jumlah hujan dilakuka hanya setiap pukul 07.00 WIB. Jadi akumulasi curah hujan hanya terkumpul pada waktu itu. Untuk performa ANFIS ini, dapat kita analisis bahwa hasil prediksinya lebih baik dibandigkan model
Tabel 4.1 Perbandingan model ANFIS time series dan multi variate
ANFIS Data input
Jmlh data training Jmlh data validasi RMSE training RMSE Val VAF (%) Curah Hujan Time Series (Day)
Curah hujan (t-1) hari
Curah Hujan (t)hari 900 165 10.68 9.22 13.05 Curah Hujan
Multi Variate
Suhu udara07.00, Suhu udara17.00,
Kelembaban07.00
900 165 9.64 7.98 38.00
Curah Hujan Multi Variate
Suhu udara rata-rata Kelembaban rata-rata Tekanan rata-rata
900 165 10.60 8.57 21.61
sebelumnya. Hal ini tampak pada nila VAF-nya, yaitu 38,00%. Meskipun model mempunyai performansi yang paling optimal diantara ketiganya,tetapi nilai VAF masih menunjukkan nilai yang belum memenuhi target yaitu lebih besar dari 80%. Akan tetapi hipotesis yang telah disebutkan di atas telah dapat dibuktikan kebenarannya, bahwa magnitude dan skala dari variabel input dapat mempengaruhi performansi ANFIS. Dan dapat disimpulkan bahwa ANFIS peka tehadap magnitude dan beda jangkauan. Tabel 4.1 menunjukkan performa masing-masing model agar mudah dibaca.
Gambar 4.5 Grafik curah hujan dan error pada pukul 07.00 WIB dengan model ANFIS multi variabel sebagai predikti
adalah suhu 07.00, suhu 17.00, dan kelembaban 17.00
Arus Laut. Parameter cuaca maritim salah satunya diwakili oleh kecepatan arus laut. Pada perancangan model arus laut digunakan ANFIS time series. Terdapat 2 input data training, yaitu kecepatan arus laut (cm/s) pada saat ini dan satui jam sebelumnya (v(t-1) dan v(t)). Output sistem adalah kecepatan arus laut. Pada studi ini dilakukan prediksi 1, 6, 12, dan 24 jam berikutnya. Jadi masing-masing model mempunyai output v(t+1), v(t+6), v(t+12), dan v(t+24). Dan pada masing-masing output diuji dengan kombinasi jumlah membership function yang berbeda.
Hasil dari pengujian didapatkan hasil bahwa prediksi satu jam ke depan jauh lebih akurat
dibandingkan dengan 24 jam kedepan. Pada studi ini ANFIS time series telah berhasil mempolakan kecepatan arus laut selama satu tahun. Dan model ini telah diuji untuk data tahun berikutnya dan terbukti bahwa model ini dapat memprediksi kecepatan arus laut dengan akurat untuk batas waktu 1 jam kedepan. Pada gambar 4.6 tampak bahwa model ANFIS bisa tepat memprediksi arus laut. MEski terjadi anomali pada jam ke-1500, ANFIS dapat mengikuti pola meski errornya jauh lebih besar dibandingkan dengan data selanjutnya. Untuk prediksi 24 jam kedepan dapat dilihat pada gambar 4.12 dan 4.13, keduanya sama untuk memprediksi arus laut 24 jam kedepan. Secara sepintas memang tidak ada bedanya akan tetapi membership function ANFIS pada gambar 4.12 berjumlah 2, sedangkan untuk gambar 4.13 berjumlah 3. Untuk MF yang lebih banyak RMSE pada training lebih kecil, dimana hal ini menunjukkan performansinya lebih bagus. Akan tetapi setelah disimulasikan terkadang error yang mempunyai MF number lebih besar RMSE-nya juga lebih besar. Jadi belum tentu model yang mempunya MF number lebih besar dapat lebih tepat memprediksi arus laut di waktu mendatang.
Untuk performansi dari model ANFIS diatas dapat kita lihat dengan jelas bahwa prediksi untuk satu jam kedepan hasilnya lebih akurat dibandingkan dengan hasil prediksi untuk 24 jam kedepan. Hal ini dikarenakan pola data untuk prediksi satu hari kedepan lebih mudah diikuti oleh system. Mudah diikuti disini berhubungan dengan interval waktu. Semakin kecil interval waktu maka beda jangkauan data training akan semakin kecil pula. Sama halnya dengn curah hujan di atas, bahwasannya ANFIS sensitf terhada jangkauan data dan magnitude. Jadi pada prediksi kecepatan arus laut ini yang terbaika adlah prediksi 1 jam kedepan menggunakan 3 membership function. Ketinggian Gelombang Laut. Dan parameter cuaca maritim sealain kecepatan arus laut adalah ketinggian gelombang. Pada penelitian ini gelombang yang diukur adalah gelombang yang paling tinggi untuk sepuluh kali periode (H/10). Satuan gelombang laut adalah meter. Sistem untuk memprediksi ketinggian gelombang laut ini juga menggunakan ANFIS time series. Dat input
Tabel 4.2 Perbandingan Model ANFIS
Tabel 4.3 Perbandingan Model ANFIS Gelombang Laut
training adalah ketinggian gelombang laut pada satu jam sebelumnya dan pada saat ini ((h(t-1) dan h(t)). Kemudian untuk output adalah ketinggian gelombang laut pada waktu mendatang, yaitu h(t+1), h(t+6), h(t+12), dan h(t+24). Yag masing-masing output digunakan untuk memprediksi ketinggian gelombang laut pada 1, 6, 12, dan 24 jam mendatang. Untuk MF number dibandingkan anata 2 MF dan 3 MF. Untuk hasil simulasi dan error prediksi dapat dilihat pada gambar di bawah ini.
Telah terbukti bahwa RMSE training tidak menentukan performasi ANFIS. Perlu parameter lain unutk menilai apakah model tersebut sudah bagus. Dapat kita lihat pada ANFIS untuk prediksi 24 jam kedepan nilai RMSE training 2 MF lebih besar dari pada 3 MF. Akan tetapi RMSE checking 2 MF lebih kecil dari 3 MF, hasilnya adalah error prediksi 2MF lebih kecil dari pada 3 MF. Dan dapat dikatan 2 MF lebih baik performansinya. Sedangkan untuk prediksi 1 jam kedepan berbeda, 3 MF lebih baik dari pada 2 MF. Hal ini memperlihatkan bahwa gelombang laut sangat tidak linier, sehingga tidak selalu jumlah cluster data yang lebih banyak bisa mempertinggi ketepatan prediksi. Selain itu parameter lain yang
bisa menunjukkan performansi dari ANFIS adalah VAF. VAF terbesar dimiliki oleh model ANFIS untuk memprediksi gelombang laut 1 jam kedepan dengan 2 MF.
Gambar 4.6 Grafik arus laut aktual(biru) dan prediksi(merah), dengan error prediksi
Prediction n Training Data Checking Data No. of gbell
RMSE tr RMSE ch VAF (%) 1 jam 8758 718 2 0.218878 0.146046 99.877 kedepan 8758 718 3 0.20932 0.146218 99.887 6 jam 8748 708 2 1.9091 1.39179 93.013 kedepan 8748 708 3 1.8812 1.37667 93.409 12 jam 8736 696 2 2.95096 2.70594 78.067 kedepan 8736 696 3 2.91057 2.73741 78.826 24 jam 8714 672 2 3.5431 3.73346 66.467 kedepan 8714 672 3 3.49776 3.73248 67.627 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
Gambar 4.7 Grafik ketinggian gelombang laut aktual(biru) dan prediksi(merah), dengan error prediksi
IV Kesimpulan
Berdasarkan studi yang telah dilakukan, dapat disimpulkan bahwa:
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 %. DAFTAR PUSTAKA
1. Siang, Drs.Jong Jek,M.Sc.; Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan Matlab; 2004; Penerbit Andi; Yogyakarta. 2. Kusumadewi, Sri; Artificial Intelegence
(Teknik dan Aplikasinya); 2003; Graha Ilmu;Yogyakarta.
3. Edvin, Application of Multivariate ANFIS for Daily Rainfall Prediction: Influences of Training Data Size, BPPT, Jakarta, 2008. 4. J.S.T Jang, C.T Sun and E.Mizutani, Neuro
Fuzzy and Soft computing, Prentice Hall International, Inc., 1997.
5. Gelley, Ned; dan Jang, Roger.200.Fuzzy Logic Toolbox. Mathwork,Inc., USA
6. Hartati, Sri Kusumadewi & Sri; Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf; 2006; Graha Ilmu; Yogyakarta
Nama : Ardian Candra Pratama Nrp : 2406 100 021
Alamat: Jl.Kejawen Gebang 7 Keputih
Alamat Asal: Jl. Igusti Ngurah Rai 29 Tulungaung E-mail : [email protected]
Pendidikan :
- SDN Kampungdalem 3 (1994-2000) - SMPN 1Tulunagung (2000-2003) - SMAN 1 Boyolangu (2003-2006) - Teknik Fisika ITS (2006-sekarang)
