MODUL 8 APLIKASI NEURAL NETWORK DAN FUZZY LOGIC PADA PERKIRAAN CUACA

(1)

MODUL 8

APLIKASI NEURAL NETWORK DAN FUZZY LOGIC PADA

PERKIRAAN CUACA

Muhammad Ilham 10211078

Program Studi Fisika, Institut Teknologi Bandung, Indonesia Email: muhammad_ilham@students.itb.ac.id

Asisten: Fauzia P. Lestari / 10210085 Ulin Nuha / 10210095

Andromeda / 10210097 Tanggal Praktikum: (24-04-2014)

Abstrak

Logika fuzzy biasa digunakan untuk memodelkan suatu sistem yang memiliki ketidakjelasan dan ambiguitas yang tinggi, contohnya dalam hal ini adalah perkiraan cuaca. Hal utama yang perlu diperhatikan dalam logika fuzzy ini adalah diantaranya fuzzifikasi, rule base, penalaran, dan defuzzifiaksi Berdasarkan hasil yang didapat pemodelan perkiraan cuaca di Kabupaten Majalengka ini kurang baik dengan error yang didapat begitu besar sehingga tidak bisa digunakan.

Kata kunci: Fuzzifikasi , Defuzzifikasi , Fuzzy Logic

I. Pendahuluan 1.1 Tujuan

Tujuan dari praktikum ini ialah mengaplikasikan metode Fuzzy Logic pada MATLAB dalam pemodelan perkiraan cuaca.

1.2 Teori Dasar

Logika Fuzzy adalah suatu proses pengambilan keputusan berbasis aturan yang bertujuan untuk memecahkan masalah, dimana sistem tersebut sulit untuk dimodelkan atau terdapat ambiguitas dan ketidakjelasan yang berlimpah. Logika Fuzzy ditentukan oleh persamaan logika bukan dari persamaan diferensial kompleks dan berasal dari pemikiran yang mengidentifikasi serta mengambil keuntungan dari grayness antara dua ekstrem.

Gambar 1. Struktur dasar fuzzy logic

Fuzzifikasi adalah proses mengubah

variabel nyata menjadi variabel fuzzy, ini ditujukan agar masukan kontroler fuzzy bisa

dipetakan menuju jenis yang sesuai dengan himpunan fuzzy. Rule base ini terdiri dari kumpulan aturan yang berbasis logika fuzzy untuk menyatakan suatu kondisi.

Penalaran (inferensi) fuzzy adalah sebuah proses formulasi pemetaan masukan terhadap keluaran dengan menggunakan logika fuzzy. Proses dari inferensi fuzzy melibatkan fungsi keanggotaan operator logika fuzzy, dan aturan IF-THEN. Metode penalaran yang paling sering digunakan adalah metode Takagi-Sugeno dan metode Mamdani. Dengan metode yang digunakan dalam praktikum ini adalah metode Takagi-Sugeno.

Defuzzifikasi adalah proses yang digunakan untuk mengubah kembali variabel fuzzy menjadi variabel nyata, atau dangan kata lain aksi kontrol fuzzy yang masih berupa himpunan, dirubah menjadi nilai nyata yang berupa nilai tunggal.

II. Metode percobaan 2.1 Metode Percobaan

Dalam praktikum kali ini , akan

dilakukan percobaan dalam memperkirakan

cuaca dalam suatu daerah menngunakan

fungsi

fuzzy

logic

pada

program

(2)

Langkah awalnya yakni dimasukkan

data-data pada matlab yang akan digunakan

dalam perkiraan cuaca berupa data suhu ,

kecepatan angin , kelembapan dan tekanan

, serta hasil perkiraan cuacanya . Data

tersebut dapat diperoleh dalam website

perkiraan cuaca.

Jalankan fungsi fuzzy logic pada

Toolbox matlab .

Dilakukan pengelompokan

data menggunakan teknik Fuzzy Clustering Means (FCM). Algoritma yang digunakan adalah C (jumlah cluster yang dibentuk) = 3 (suhu tinggi, sedang, rendah); W (Pangkat/Pembobot)= 2; Maksimum Iterasi = 100; Kriteria Penghentian 10-6. Gunakan FIS Editor untuk perancangannya. Lakukan hal yang sama untuk kecepatan angin kelembaban dan tekanan udara . Buat Fungsi keanggotan hingga bernilai dalam fungsi gaussian. Dapatkan derajat keanggotaan untuk masing-masing cluster.

Masukkan data yang telah dibuat pada bagian input dan output berupa range data, standard deviasinya dan nilai center data tersebut dengan fungsi fcm tiap datanya. Masukkan logika perkiraan pada Rule Editor.

Dilihat hasil data tiap perkiraan cuaca pada Rule Viewer dan gambar grafiknya pada Surface Viewer.

2.2 Hipotesis

Digunakan fungsi fuzzy logic pada matlab dalam memperkiraan cuaca dalam suatu tempat dengan hasil perkiraannya mempunyai error yang kecil.

III.Data dan Pengolahan

No. Kecepatan angin Hasil 1 2.23

Sedang

salah

(3)

Jumlah Benar 32

Tabel 2. Perbandingan hasil perkiraan cuaca dengan cuaca yang sebenarnya.

Jumlah Benar 15 Jumlah Salah 37 Error (%) 71.1538

Gambar 2. Grafik 3D angin terhadap tekanan dan suhu

(4)

Gambar 4. Grafik 3D cuaca terhadap kelembapan dan suhu

Gambar 5. Grafik 3D cuaca terhadap angin dan suhu

Gambar 6. Grafik angin terhadap suhu

Gambar 7. Grafik angin terhadap tekanan

Gambar 8. Grafik cuaca terhadap angin

Gambar 9. Grafik cuaca terhadap kelembapan

Gambar 10. Grafik cuaca terhadap suhu

IV.Pembahasan

(5)

Hasil pemodelan perkiraan cuaca dan kecepatan angin di Kota Cirebon - Jawa Barat, Indonesia terlihat sangat berbeda dari yang sebenarnya dengan error berturut-turut sebesar 71.154% dan 38.461% perbedaan ini disebabkan oleh kurangnya variabel pendukung lain yang bisa mempengaruhi cuaca seperti arah dari angin, awan, dan lain-lain, bisa juga dikarenakan range waktu yang digunakan terlalu pendek dan datanya terlalu sedikit sehingga tidak bisa menggambarkan kondisi cuaca yang sebenarnya. Dari data yang dihasilkan bisa disimpulkan bahwa pemodelan perkiraan cuaca dengan logika fuzzy ini kurang cocok digunakan pada cuaca Indonesia.

V. Simpulan

Hasil pemodelan perkiraan cuaca dengan logika fuzzy di Kabupaten Majalengka kurang bisa digunakan karena memiliki error yang sangat besar.

Aspek-aspek yang lain yang dapat memepengaruhi cuaca perlu ditambahkan untuk mendapatkan pemmodelan yang lebih baik.

VI.Daftar Pustaka

[1] http://www.worldweatheronline.com/ , diakses pada 29-04-2014 9:06

[2]http://www.mathworks.com/products/fuzz y-logic/code-examples.html , diakses pada 29-04-2014 10:15

(6)

LAMPIRAN

Data cuaca Kota Cirebon tanggal 14-26 april

suhu

kelembapan

tekanan

(oC) kecepatan angin (mph) (%) (mb) cuaca

1

27 4 tinggi 86 1011

cerah

2

32 4 tinggi 66 1010

hujan

3

27 2 sedang 79 1010

hujan

4

24 2 sedang 82 1011

cerah

5 27 2 sedang 81 1011 cerah

6

33 5 tinggi 62 1009

hujan

7

27 4 tinggi 82 1010

hujan

25 2 sedang 86 1012 hujan

8

9

28 2 sedang 86 1011

hujan

10

32 5 tinggi 67 1009

hujan

27 2 sedang 86 1010 hujan lebat

11

12

25 4 tinggi 88 1012

hujan lebat

13

28 2 sedang 84 1011

hujan

14

33 3 sedang 63 1008

hujan

15 27 1 sedang 86 1008 hujan lebat

16

25 3 sedang 88 1010

cerah

17

26 6 sangat tinggi 82 1010

cerah

18

19

27 2 sedang 85 1009

hujan

20

24 5 tinggi 88 1010

hujan

21

26 5 tinggi 80 1010

cerah

33 4 tinggi 60 1009 hujan

22

23

27 2 sedang 82 1009

hujan

24

25 1 sedang 85 1011

cerah

25 26 4 tinggi 80 1011 cerah

26

34 4 tinggi 56 1008

cerah

27

27 3 sedang 84 1009

hujan

28

25 2 sedang 86 1010

cerah

29

27 4 tinggi 84 1010

cerah

30

32 5 tinggi 68 1008

hujan lebat

31

27 4 tinggi 88 1008

hujan lebat

32

25 3 sedang 89 1010

hujan lebat

33

27 2 sedang 84 1010

ceraah

34

32 3 sedang 70 1009

hujan lebat

(7)

35 27 3 sedang 86 1009 hujan

36

25 2 sedang 90 1011 cerah

37

38

32 6 sangat tinggi 68 1009 hujan lebat

39

40

41

42

33 5 tinggi 66 1008 hujan lebat

43

44

45 27 2 sedang 86 1010 cerah

46

47

48

49

50

33 6 sangat tinggi 69 1008 hujan lebat

51