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
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 pengelompokandata 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
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
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
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
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
33 3 sedang 64 1009 hujan
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
35 27 3 sedang 86 1009 hujan
36
25 2 sedang 90 1011 cerah
37
28 3 sedang 82 1011 cerah
38
32 6 sangat tinggi 68 1009 hujan lebat
39
27 3 sedang 86 1010 hujan lebat
40
25 2 sedang 87 1011 hujan
41
27 2 sedang 83 1010 cerah
42
33 5 tinggi 66 1008 hujan lebat
43
27 2 sedang 86 1009 hujan lebat
44
25 1 sedang 88 1010 hujan
45 27 2 sedang 86 1010 cerah
46
33 5 tinggi 68 1007 hujan lebat
47
27 2 sedang 87 1008 hujan lebat
48
25 1 sedang 88 1010 hujan
49
27 2 sedang 83 1010 cerah
50
33 6 sangat tinggi 69 1008 hujan lebat
51