BAB III METODE PENELITIAN. Diagram alir sebagai berikut dibawah ini, dapat melakukan beberapa. langkah-langkah untuk menyelesaikan penelitian.

Transkripsi

1 35 BAB III METODE PEELITIA Diagram alir sebagai berikut dibawah ii, dapat melakuka beberapa lagkah-lagkah utuk meyelesaika peelitia. Gambar 3.. Diagram Alir peelitia

2 36 3. Pra-Processig Data Gempa Bumi Data gempa bumi yag dimaksud pada dalam peelitia ii adalah data berupa magitudo, waktu (tahu, bula, hari da meit), kedalama sumber, da koordiat sumber gempa (episeter). Data ii dapat diperoleh dari situs USGS (U.S Geological Survey) merupaka situs yag sagat memberika iformasi berbagai macam peelitia da kegeologia. Selai itu USGS mampu memberika basis data yag cukup akurat da legkap megeai pecatata da pegukura gempa bumi yag mecakup bayak egara. Utuk legkapya raw data asli dowload dapat dilihat lampira I (hal 64). 3.. Seleksi Data Deret Waktu Magitudo Maksimum Pada peelitia ii raw data yag masih berjumlah besar dega lebih dari 800 data magitudo yag dimulai pada tahu 973 higga 2009 aka diseleksi berdasarka waktu da magitude maksimum tiap bulaya. Dega tujua utuk mempermudah proses sortir megguaka software excel. Peguruta data tertuju pada uruta bula disetiap tahuya. Setelah itu catat data magitudo terbesar disetiap bulaya yag bemula pada tahu 974 higga 2008 (sekitar 405 data). maka jumlah data yag terkumpul da dipilih sekitar 360 data. Data yag telah disiapka dapat disimpa dalam betuk format.dat. Karakteristik data dapat dilihat polaya setelah melakuka plottig misalya dega megguaka Excel atau matlab. Plottig atau grafik yag dihasilka adalah magitudo terhadap waktu.

3 Pegatura Parameter Awal Pelatiha da Pegujia AFIS 3.2. Epoch Epoch dapat diartika sebagai tahap arah pembelajara maju-mudur yag terjadi dalam jariga adaptif. Misal satu tahap arah pembelajara maju-mudur diamaka satu epoch. Dalam pegatura awal percobaa dapat dega cara melakuka berbagai variasi ilai epoch seperti percobaa dega 0 epoch higga 60 epoch Fugsi Keaggotaa (MFs) Fugsi keaggotaa fuzzy iput (premis) yag dipilih secara kovesioal biasa diguaka dega jeis fugsi keaggotaa jeis geeralized bell (gbell). ( x) = µ A i x ci + 2 ai 2 [ ( ) ] bi Parameter a, b, c, pada fugsi keaggotaa gbell diamaka parameter premis yag adaptif. Melalui fugsi keaggotaa ii parameter premis ii aka diubah dega cara pelatiha/pembelajara. Jumlah MFs pada peelitia ii diguaka 2 dega format iput 4 meghasilka 2 4 = 6 atura fuzzy Step Size Step size atau ukura lagkah. Pegatura step size yag diguaka adalah ilai 0.. step size sediri dapat memberika iformasi lagkah pelatiha da pegujia disetiap epoch. Bila step size berubah aka meujuka perubaha

4 38 kecepata kovergesi da idetik dega laju proses pelatiha/pembelajara (learig rate). Secara pegamata dapat memberika efek terhadap perbaika parameter da error Arsitektur Jariga AFIS Empat Iput Magitudo Seperti yag telah dijelaska megeai kemampua AFIS dalam membagu FIS (fuzzy iferece system) dega iput-outputya yag aka melalui proses pembelajara utuk medapatka optimasi paramater melalui jariga adaptif seperti pada gambar 3.2 sehigga medapat parameter-parameter terbaharui. Gambar 3.2 Arsitektur Jariga AFIS dua iput(jag,993) Sesuai dega keutuga pegguaa sistem fuzzy sebagai represetasi pegetahua yag tergabug dalam jariga saraf, maka peeliti dapat meyimbolka logika fuzzy dalam setiap masuka da iputa yag bekerja dalam setiap lapisa jariga. Pada peelitia ii dilakuka aplikasi AFIS terhadap prediksi deret waktu magitudo gempa. Bila pelatiha megguaka 4 masuka da keluara yaitu iput = x(t-8), x(t-2), x(t-6), x(t) da output = x(t+6). Pada gambar 3.3 terlihat arsitektur da proses disetiap layer seperti berikut:

5 39 A X(t-8) M A2 B X(t-2) M 2 B2 Output Terprediksi X(t+6)) X(t-6) M 3 C C D X(t) M 4 D2 Gambar 3.3 Arsitektur Jariga AFIS 4 iput Pejelasa tiap layer sebagai berikut : Masuka (iputa layer) : x(t-8) = m, x(t-2) =m2, x(t-6) =m3 z, x(t) =m4 Layer (layer fuzzifikasi) : setiap ode i pada layer ii adalah adaptif. Output pada ode-ode ii dapat direpresetasika seperti, O = ( ), utuk i =, 2 O = µ 3), utuk i = 5, 6, i µ A m i (, i Ci 4 m

6 40 O = µ 2), utuk i = 2, 3 O = µ 4), utuk i = 7, 8 (, i Bi 2 m (, i Di 6 m dega kata lai O, i merupaka grade keaggotaa pada himpua fuzzy M = ( A, A2, B, B2, C, C2, D, ataud2 ). Keluara pada layer ii merupaka fugsi bel. Parameter premis (a i,b i,c i ) dibuat tetap. Layer 2 (Layer Rules) : pada layer ii odeya tetap da disimbolka. Setiap output ode hasil dari siyal datag : O = w = µ ( m) ( m2), i,2. da w µ m3) ( m4), i 3,4. 2, Ai µ Bi = = Ci ( µ Di 2 = Layer 3 (Layer ormalisasi) : Disimbolka dega. Pada layer ii dilakuka ormalisasi dari siyal-siyal yag masuk. w O3, = w =, =, w = Layer 4 (layer defuzzifikasi) : Layer dega ode adaptif. Bersimbolka. Setiap ode dalam layer dihubugka ode kuat peyuluta teromalisasi (layer 3). Fugsi ode : O = w f = w ( p m + q m2 + r ) 4, ( p, q, r ) = himpua paremeter dari ode ii/parameter kosekue. Layer 5 : layer dega ode tuggal. Bersimbolka. Meghitug keluara sebagai pejumlaha siyal datag. Fugsi odeya : 6 w 6 f = O 5, = w f =, = 6 6 = w =

7 4 3.3 Pegatura Format iput/output prediksi deret waktu 3.3. Pegatura Format iput/output kovesioal (prediksi Mackey-Glass Time series) dega D = 4 da L = 6 Pada tahap ii, peeliti mecoba megkarakteristik data iput/output yag aka mejadi data pelatiha da pegeceka. Berdasarka peetua partisi deret waktu fuzzy logic pada peelitia ii megikuti format perumusa : Jika diberika deret waktu, X = {X, X 2, X 3... q}, utuk t =,2,3,,,,q (3.) Dalam peyelesai kasus deret waktu berdasarka fuzzy logic, diguaka seperagkat data dega ilai-ilaiya dalam waktu, katakalah t, aka diguaka utuk memprediksi ilai yag aka datag deret waktu pada beberapa titik, katakalah (t+l). Maka stadar metode prediksi ii selalu dibetuk D sampel data titik yag aka dijadika iput-iput. Utuk perumusa dalam vektor dimesioal D diperoleh : XI(t)= [X{t-(D-)d}, X{t-(D-2)d},...,X(t)] (3.2) Megikuti pegatura kovesioal (prediksi Mackey-Glass Time series), maka di pilih D = 4 da d = L = 6. dega demikia iput dataya: XI (t) = [X(t-8), X(t-2), X(t-6), X(t)] (3.3) Output data pelatiha sesuai dega prediksi garis legkug proyektil : XO (t) = X [t + L]=X[t + 6] (3.4)

8 Pegatura Format iput/output dega Variasi perubaha L ( sampai 0) Setelah melakuka percobaa dega pegatura kovesioal (bagia 3.3.), pada peelitia aka dilakuka percobaa dega meerapka variasi L dari sampai 0. Format legkapya dapat dilihat pada tabel 3. Tabel 3. Variasi Format iput/output L IPUT OUTPUT L IPUT OUTPUT [x(t-3),x(t-2),x(t-),x(t)] [x(t+)] 6 [x(t-8),x(t-2),x(t-6),x(t)] [x(t+6)] 2 [x(t-6),x(t-4),x(t-2),x(t)] [x(t+2)] 7 [x(t-2),x(t-4),x(t-7),x(t)] [x(t+7)] 3 [x(t-9),x(t-6),x(t-3),x(t)] [x(t+3)] 8 [x(t-24),x(t-6),x(t-8),x(t)] [x(t+8)] 4 [x(t-2),x(t-8),x(t-4),x(t)] [x(t+4)] 9 [x(t-27),x(t-8),x(t-9),x(t)] [x(t+9)] 5 [x(t-5),x(t-0),x(t-5),x(t)] [x(t+5)] 0 [x(t-30),x(t-20),x(t-0),x(t)] [x(t+0)] Data yag diguaka dalam peelitia ii adalah sebayak data iput/output yag kemudia dibagi mejadi 2 yaitu /2 data pelatiha atau /2 pegujia. Tabel 3.2 Pelatiha da Pegujia data AFIS o Pelatiha/Pegujia Jumlah Jumlah Pemograma Data data iput/output AFIS dari. Magitudo Max Gempa /80 Comad lie per Bula ( )

9 Pelatiha da Pegujia Data pada AFIS Megguaka Matlab Pada peeitia ii dilakuka pemograma AFIS megguaka software MATLAB (R2) SP2. MATLAB dapat memberika fasilitas pemograma, pegolaha data, simulasi da pemodela, serta visualisasi da lai sebagaiya. Diagram alir dasar pemograma AFIS dapat dilihat seperti pada gambar 3.4 Gambar 3.4 Diagram dasar pemograma AFIS dega fugsi Matlab Prediksi deret waktu melalui pemograma fugsi matlab pada dasarya melakuka peritah iisialisasi sistem fuzzyya. Persamaa yag biasa diguaka adalah GEFIS, fugsi ii meghasilka FIS tipe sugeo dega metoda grid partitio. Adapu aplikasiya selegkapya i_fismat = gefis(tr_data, mf_, mf_type).

10 44 Tr_data, mf_, da mf_type merupaka parameter yag dapat diisi sesuai keigia, seperti data yag dilatih, jumlah fugsi keaggotaaya (MFs) da tipe MFsya. Fugsi GEFIS meghasilka output liear. Fugsi AFIS pada pemograma ii megguaka algoritma pembelajara hybrid utuk megidefikasika parameter-parameter fugsi keaggotaa utuk satu keluara FIS tipe sugeo. Validasi data yag telah dilakuka pelatiha diperoleh dari pemaggila fugsi EVALFIS. Fugsi ii aka memperlihatka performa perhituga fuzzy iferece. Codig pemograma yag lebih legkap dapat dilihat di lampira IV. 3.5 Evaluasi Hasil 3.5. Validasi model AFIS Akhir pelatiha da pegujia data yag telah megalami beberapa epoch proses selalu meujuka ciri khas tada-tada bila pemograma selesai melakuka lagkah-lagkah proses. Pada peelitia ii model plottig seperti epoch, error pelatiha/error pegujia, Step size, serta perbadiga Prediksi AFIS dega data origialy da error prediksi aka direpresetasika dalam betuk grafik. Represetasi model-model tersebut dapat membatu aalisis da pegamata utuk megambil asumsi-asumsi hasil kerja AFIS seperti memahami da membuat keputusa terhadap pegamat utuk megambil parameter-parameter yag terbaik sebagai baha dasar karakteristik racag bagu utuk aplikasi dega iput/output data deret waktu magitudo maksimum gempa bumi.

11 Root Mea Square Error (RMSE) Utuk megevaluasi hasil percobaa dalam AFIS ii diguaka pegukura kesalaha (error) peramala atau prediksi yag biasaya dilaporka dari hasil proses secara statistik oleh aplikasi software peramala/prediksi. Walaupu tidak ada kesepakata umum dalam kuatitas maa yag tepat hasil dalam tekik peramala/prediksi. Pada kasus ii RMSE (root meas square error) diguaka sebagai megevaluasi hasil prediksi AFIS terhadap data origialya utuk melihat seberapa akurat hasil prediksi software (AFIS). Dega medefeisika RMSE seperti : RMSE = j= Mˆ j M j (3.) Dimaa adalah jumlah prediksi, Mˆ j adalah deret waktu yag terprediksi da M j adalah deret waktu origial.

12 46 Start Pemuata Data Pelatiha/pegujia.Set Parameter awal Iput da MFs 2.Tetapka Epoch o Pelatiha Data Iput Dalam Sistem Afis Pelatiha Selesai? Hasil Setelah Pelatiha Pegujia Data Iput Dalam Sistem AFIS o Pegujia Selesai?.Fugsi Keaggotaa Yag Diperbaiki 2. Perbadiga Kurva Prediksi 3.Kurva Error Prediksi Ed Gambar 3.5 Diagram Alir Proses Prediksi Afis