Fakultas Ilmu dan Teknologi Kebumian
|
|
- Hendri Lie
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Fakultas Ilmu dan Teknologi Kebumian Program Studi Meteorologi PENERBITAN ONLINE AWAL Paper ini adalah PDF yang diserahkan oleh penulis kepada Program Studi Meteologi sebagai salah satu syarat kelulusan program sarjana. Karena paper ini langsung diunggah setelah diterima, paper ini belum melalui proses peninjauan, penyalinan penyuntingan, penyusunan, atau pengolahan oleh Tim Publikasi Program Studi Meteorologi. Paper versi pendahuluan ini dapat diunduh, didistribusikan, dan dikutip setelah mendapatkan izin dari Tim Publikasi Program Studi Meteorologi, tetapi mohon diperhatikan bahwa akan ada tampilan yang berbeda dan kemungkinan beberapa isi yang berbeda antara versi ini dan versi publikasi akhir Program Studi Meteorologi Institut Teknologi Bandung
2 PREDIKSI CURAH HUJAN DAN JUMLAH JAM HUJAN DENGAN MENGGUNAKAN ADAPTIVE NEURAL FUZZY INFERENCE SYSTEM (ANFIS) (Studi Kasus: PT. Adaro, Kalimantan Selatan) Rico Ricardo Lumban Gaol, Atika Lubis, dan Edi Riawan Program Studi Meteorologi Fakultas Ilmu dan Teknologi Kebumian Institut Teknologi Bandung ABSTRAK Prediksi dilakukan untuk parameter curah hujan dan jumlah jam hujan di wilayah Kalimantan Selatan khususnya pada daerah pertambangan PT. Adaro Indonesia. Teknik prediksi dilakukan melalui training, sehingga hasil prediksinya dapat beragam untuk setiap member function (fungsi keanggotaan) prediksi. Atau dengan kata lain dapat memberikan nilai ketidakpastian hasil prediksi. Hasil prediksi curah hujan tersebut menghasilkan RMSE (Root Mean Square Error). Model temporal hasil identifikasi Adaptive Neural Fuzzy Inference System (ANFIS) dapat dipergunakan untuk memprediksi curah hujan (CH) dan jumlah jam hujan (rainhour). Hasil verifikasi skenario 3 (tiga) prediksi pada tahun 2012, jumlah CH dan rainhour didapatkan nilai korelasi masing-masing sebesar 95% dan 94%. Adapun skenario 3 yang dimaksud adalah skenario dengan menggunakan 3 jenis inputan, yaitu CH(t-6); CH(t-12); CH(t-18). Diharapkan hasil penelitian ini dapat menjadi pertimbangan dalam sistem prediksi kedepannya. Dan dapat disimpulkan pula bahwa dengan metode ANFIS dapat digunakan sebagai motode prediksi CH dan rainhour yang cukup akurat di daerah ini. Kata kunci: ANFIS, Rainhour, Prediksi. 1. PENDAHULUAN Di Indonesia kejadian anomali cuaca dominan memengaruhi produktivitas di berbagai bidang kerja terutama di lapangan (outdoor). Adapun faktor cuaca yang paling terasa perubahannya akibat anomali cuaca adalah curah hujan. Dampak anomali cuaca di lapangan diantaranya adalah terjadinya gangguan secara langsung terhadap lingkungan, seperti terjadinya genangan dan kekeringan berkepanjangan. Kalimantan Selatan merupakan daerah bertipe hujan yang dipengaruhi oleh monsoon. Namun, pernah beberapa kali terjadi hujan di atas kebiasaan (ekstrim). Oleh karena itu dibutuhkan prediksi terkait kondisi curah hujan kedepannya. Adapun prediksi curah hujan yang sering dilakukan ialah untuk menghasilkan output prediksi beberapa saat kedepan, baik sejam kedepan, sehari kedepan, maupun sebulan kedepan atau bahkan beberapa tahun kedepannya. Namun semakin panjang jangka waktu yang diprediksi maka kesalahan (error) model juga semakin besar (Warsito, 2008). Oleh karena itu diperlukan metode yang dapat menghasilkan keluaran terbaik agar dapat diaplikasikan langsung dalam kehidupan sehari-hari. Dalam tugas akhir ini akan digunakan tools Adaptive Neural Fuzzy Inference System (ANFIS) sebagai model prediksi curah hujan (CH) dan jumlah jam hujan (rainhour) bulanan. Sebab banyak dari penelitian-penelitian sebelumnya telah menggunakan model ini untuk memprediksi curah hujan suatu daerah. Salah satunya Suwarman pada tahun DATA DAN METODE Dalam penelitian ini hanya menggunakan 1 (satu) jenis data, yaitu data observasi lapangan dari salah satu kontraktor PT. Adaro Indonesia, Kontraktor PAMA, yaitu data AWS (Automatic Weather Station) dan rain gauge (penakar hujan). Adapun variabelnya ialah Rainfall/curah hujan (CH), Rainhour/jumlah jam hujan. Data ini berupa harian dan diubah menjadi data bulanan yang digunakan sebagai input model. 1
3 disimpulkan bahwa daerah tersebut dipengaruhi monsoon. Beberapa periode yang dominan dan tidak dominan. Menentukan pola curah hujan daerah tersebut apakah termasuk daerah: lokal, ekuatorial atau monsun. Untuk melihat komposit bulanan tersebut digunakan data harian lapangan dari tahun (Juli). Data harian dijadikan ke bulanan dan dianalisa dengan menggunakan bantuan Morlet Wavelet. Gambar 1. Diagram Alir Diagram alir di atas merupakan proses kerja penelitian ini secara umum. Tahap awal sebelum melakukan prediksi, penelitian memulai dengan mengaji karateristik cuaca di daerah kajian. Langkah pengerjaan ANFIS Langkah pengerjaan dengan ANFIS secara umum dapat diilustrasikan seperti skema di bawah ini: Dalam penelitian ini, data yang ada akan digunakan sebagai inputan data training dan checking. Adapun prosesnya akan dilakukan dengan beberapa skenario dari beberapa susunan dan panjang data yang berbeda. 2.1 Karateristik Cuaca Daerah Kajian dengan Bantuan Wavelet Analisis wavelet merupakan metode yang umum digunakan pada berbagai bidang disiplin ilmu, salah satunya meteorologi. Dalam meteorologi analisis wavelet dapat digunakan untuk mengetahui siklus curah hujan pada suatu kawasan serta menganalisis faktor-faktor yang mempengaruhi curah hujan tersebut. Dengan menggunakan analisis wavelet pada curah hujan bulanan (time series) disuatu daerah dapat diketahui: Periode curah hujan daerah tersebut apakah setahun, setengah tahun atau memiliki periode lainnya serta kapan terjadinya. Faktor yang mempengaruhi curah hujan daerah tersebut. Misalnya, periode curah hujan daerah tersebut ialah setengah tahun, maka dapat Gambar 2. Alur ANFIS 2.2 Verifikasi Hasil Prediksi Curah Hujan dengan Korelasi dan RMSE Validasi dapat diterapkan pada berbagai model prakiraan karena pada dasarnya data yang dipakai dalam proses validasi adalah sama, yaitu observasi (data real) dan hasil prakiraan. Adapun yang dipakai dalam penelitian ini ialah validasi dengan korelasi dan RMSE. Korelasi dinyatakan dengan suatu koefisien (dinotasikan dengan r) yang menunjukkan hubungan (linear) relatif antara dua variabel. Dalam validasi hasil prakiraan, dua variabel yang dimaksud adalah observasi atau data real (dinotasikan dengan Y ) dan hasil prediksi (dinotasikan dengan Ŷ). 2
4 Koefisien korelasi dihitung dengan menggunakan persamaan : dengan r YŶ: koefisien korelasi antara observasi (data real) dengan hasil prakiraan Y i: observasi (data real) pada periode ke dengan i=1,2,,n Ӯ: nilai rata rata observasi (data real) Ŷi: hasil prakiraan pada pada periode ke i dengan i=1,2,,n Ŷ: nilai rata rata hasil prakiraan N: panjang periode 3. HASIL DAN PEMBAHASAN Dari pengolahan data yang telah dijelaskan sebelumnya, didapatkan hasil yang cukup representatif untuk prediksi CH dan rainhour di wilayah Kalimantan Selatan khususnya Kabupaten Tabalong daerah Tutupan pertambangan PT. Adaro Indonesia. 3.1 Karateristik Curah Hujan Wilayah South Tutupan Penerapan metode prediksi CH yang didasarkan pada model statistik, termasuk wavelet, memerlukan pemahaman karakteristik hujan di wilayah yang akan diprediksi. Hal ini penting mengingat model yang dihasilkan sangat bergantung pada data yang digunakan untuk membentuk persamaannya. Dalam penelitian ini, karakteristik hujan di wilayah South Tutupan pola komposit bulanan curah hujan dapat dilihat dari hasil plot wavelet berikut: Data time series curah hujan Tutupan Menunjukkan adanya puncak hujan yang terjadi dua kali setahun. Kontur berwarna hitam yang melingkupi background warna merah menunjukan tingkat kepercayaan 95 % dengan menggunakan global wavelet sebagai background spektrumnya. Sedangkan daerah yang di bawah parabola disebut cone of influence atau COI. COI merupakan daerah pada spektrum wavelet dimana bagian tepinya sangat penting dan didefinisikan sebagai e-folding time untuk melakukan autokorelasi dari wavelet power pada tiap skala. Dari hasil wavelet yang telah dihasilkan juga akan dijadikan sebagai hipotesa untuk menjalankan beberapa skenario. Skenario yang akan dibuat ialah dengan melihat periode hujan yang mempengaruhi curah hujan wilayah kajian. 3.2 Analisis Hasil Prediksi CH dan Rainhour Prediksi CH dilakukan di wilayah South Tutupan dengan metode ANFIS sama halnya juga dilakukan untuk prediksi rainhour. Sebelum digunakan untuk memprediksi, ANFIS melakukan training secara temporal. Pada periode training, variable epoch bisa digunakan sebagai indikator kesalahan (error). Berikut akan dibahas hasil prediksi masing-masing percobaan sebagaimana yang dijelaskan dalam metodologi. Gambar 4. Skenario 1 : CH(t-1) CH (t-2) CH(t-3) Gambar 3. Wavelet Dari hasil training, antara output ANFIS dan data observasi (target), menunjukkan hubungan pola yang sama. Hal itu bisa dilihat juga dari grafik regresi di bawah ini. Dari hasil grafik di bawah ini menunjukkan 84.9% hasil testing artinya cukup bisa tergambarkan oleh model. 3
5 Gambar 5. R-Test Skenario 1 Selain itu juga bisa dilihat perbandingan hasil RMSE yang dihasilkan ketika training dan testing. Hasil training sudah menunjukkan hasil RMSE yang kecil, begitu juga dengan hasil testing. Gambar 8. R-Test Skenario 2 Jika kita melihat hasil grafik perbandingan antara RMSE training dan testing juga terlihat perbandingan yang begitu jauh. Pada skenario 1 RMSE testing hanya sekitar 40mm/bulan, sementara skenario 2 sudah mencapai 50mm/bulan. Gambar 6. RMSE Skenario 1 Oleh karena itu, pada skenario 1 ANFIS sudah bisa dikatakan cukup bisa menggambarkan kondisi nyata dari wilayah kajian. Selanjutnya jika melihat skenario 2 berikut, antara pola training ouput ANFIS dan observasi memang terlihat kesamaan. Namun, jika dilihat pada grafik dataset pada data ke , sangat terlihat bahwa ANFIS dengan skenario ini tidak cukup bisa menggambarkan kondisi lapangan yang sesungguhnya. Gambar 9. RMSE Skenario 2 Berikut skenario 3 dari percobaan. Antara plot hasil output ANFIS dan observasi tidak terlihat perbedaan yang signifikan. Hal ini hampir sama dengan skenario pertama yang sebelumnya telah dijelaskan. Secara keseluruhan pola yang dibentuk ouput ANFIS dan data observasi yang dimiliki sudah dapat diikuti oleh ANFIS itu sendiri. Gambar 10. Skenario 3 : CH(t-6) CH(t-12) CH(t-18) Gambar 7. Skenario 2 : CH(t-3) CH(t-6) CH(t-9) Selain itu juga bisa bandingkan dengan hasil koefisien regresi yang dihasilkan. Pada skenario 2 ini hanya menghasilkan 66.7% dan itu jauh dari skenario 1. Hal itu juga didukung dari korelasi yang dihasilkan testing di bawah ini, yaitu 81.4%. Gambar 11. R-Test Skenario 3 4
6 Gambar 12. Kurva RMSE - Skenario 3 Selanjutnya setelah melakukan beberapa skenario untuk memprediksi curah hujan, kali ini dilakukan beberapa skenario untuk memprediksi jam hujannya. Adapun langkah yang pertama dilakukan ialah mencari dan mengetahui terlebih dahulu, hal apa sajakah yang paling mempengaruhi jam hujan wilayah kajian. Kali ini peneliti mencoba melihat apakah ada hubbungan antara curah hujan wilayah dan jam hujan wilayah. Gambar 15. Skenario 1 : CH(t-1) CH(t-2) CH(t-3) Jika melihat skenario pertama pada plot training yang dihasilkan ANFIS cukup bisa menggambarkan data observasi. Hal itu bisa terlihat jelas pada plot grafik keduanya yang sudah memiliki kesamaan pola. Selain itu jika dilihat dari plot regresi testing skenario 1 ini juga sudah lumayan bagus, yaitu 84.5%. Gambar 16. R Testing - Skenario 1 Gambar 13. Hubungan CH dan JH Jika dilihat dari hasil plot, kedua variable ini memiliki kedekatan yang cukup baik. Hal itu juga bisa kita lihat dari koefisien regresi 71%, artinya persebaran antara curah hujan dan jam hujan memiliki kemiripan yang begitu dekat atau hubungan yang begitu dekat. Jika melihat plot kurva RMSE baik training maupun testing juga sudah menunjukkan hasil yang cukup memuaskan. Jika dilihat dan dibandingkan dengan jam hujan mean data observasi, maka RMSE testingnya hanya dibawah 20%. Gambar 17. Kurva RMSE - Skenario 1 Gambar 14. Scatter CH dan JH Oleh sebab itu, untuk memprediksi jam hujan wilayah kajian saya mendapatkan hipotesa pendukung bahwa untuk memprediksi jam hujan itu sama halnya seperti memprediksi curah hujan wilayah setempat. Kemudian jika dilihat dari hasil skenario 2 berikut, hasilnya tidak sebaik dan tidak semulus skenario 1. Juga bisa dilihat dari hasil testingnyanya yang hanya 66.8% hal itu jauh jika diandingkan dengan skenario 1. 5
7 Gambar 18. Skenario 2 : CH(t-3) CH(t-6) CH(t-9) Gambar 22. R Testing - Skenario 3 Adapun nilai RMSE testing yang dihasilkan yaitu sekitar 8 jam/bulan. Jika dibandingkan dengan mean jam hujan perbulannya, artinya error yang dihasilkannya tidak sampai mencapai 20%. Dan itu merupakan hasil output model ANFIS yang dihasilkan sudah cukup bagus. Gambar 19. R Testing - Skenario 2 Selain itu jika dilihat dari hasil RMSE yang dihasilkan skenario kedua ini. Menunjukkan perbedaan yang cukup jauh dari skenario 1, artinya skenario 1 masih lebih baik dari skenario 2 ini. Gambar 23. Kurva RMSE - Skenario 3 Gambar 20. Kurva RMSE - Skenario 2 Terakhir skenario 3 yaitu skenario dengan inputan CH(t-6) CH(t-12) CH(t-18) menunjukkan bahwa plot antara training ANFIS dan observasi sudah cukup bisa mengikuti pola observasinya. Berikut hasil verifikasi untuk melihat skenario terbaik yang akan dipakai untuk memprediksi kedepannya, baik skenario Curah Hujan yang akan digunakan maupun skenario Jam Hujannya. Table 1. Verifikasi CH Gambar 21. Skenario 3 : CH(t-6) CH(t-12) CH(t-18) Untuk koeisien regresi testing yang dihasilkan sudah cukup memuaskan, sekitar 83%, artinya testing anfis dan observasi cukup tergambarkan dari segi polanya. 6
8 Table 2. Verifikasi JH Referensi Suwarman, R., & Permadhi, Y. F. (2010). Aplikasi Metode ANFIS Untuk Prediksi Curah Hujan di Pulau Jawa Bagian Barat. Warsito, B., Rusgiyono, A., dan Amirillah, M.A., 2008, Pemodelan General Regression Neural Network pada Data Pencemaran Udara di Kota Semarang, Jurnal PRESIPITASI Volume 4 No 1 Edisi Maret, UNDIP. Karena saat memerediksi nantinya hanya dipakai 1 skenario, maka pada tahap ini akan dipilih skenario terbaik dari kedua skenario tersebut, dan itu dilihat dari RMSE terkecilnya, meskipun ada kemungkinan korelasinya tidak sebaik skenario lainnya. Oleh karena itu, dari uji hasil prediksi 2012 ini terlihat bahwa baik pada prediksi CH dan jumlah jam hujan skenario 3 merupakan skenario terbaik. 4. KESIMPULAN DAN SARAN 4.1 Kesimpulan Dari ketiga skenario yang telah dilakukan dapat disimpulkan bahwa skenario 3 (tiga) merupakan skenario terbaik untuk prediksi curah hujan dengan korelasi 95% dan RMSE 29.5 mm/bulan. Sementara untuk prediksi jumlah jam hujan memiliki korelasi 94% dan RMSE sebesar 9.1 jam/bulan. Adapun skenario 3 (tiga) tersebut ialah skenario yang menggunakan inputan CH(t-6) CH(t-12) CH(t-18). 4.2 Saran Saran yang dapat diberikan berdasarkan pembahasan yang telah dilakukan adalah sebagai berikut. 1. Sebaiknya dalam meramalkan menggunakan ANFIS digunakan data simulasi yang lebih panjang. 2. Sebaiknya matriks inputan memasukkan variabel lain sebagai prediktor. 7
1 Pendahuluan. 1.1 Latar Belakang Masalah
1 Pendahuluan 1.1 Latar Belakang Masalah Kebutuhan masyarakat akan perkiraan cuaca terutama curah hujan ini menjadi sangat penting untuk merencanakan segala aktifivitas mereka. Curah hujan juga memiliki
Lebih terperinciPREDIKSI TINGGI MUKA AIR BENDUNGAN RIAM KANAN MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Technologia Vol 9, No.1, Januari Maret 2018 11 PREDIKSI TINGGI MUKA AIR BENDUNGAN RIAM KANAN MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Yusri Ikhwani Fakultas Teknologi Informasi Universitas Islam
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Teknologi dan perkembangan ilmu pengetahuan dewasa ini sudah mengalami perkembangan pesat. Seiring berjalannya waktu, perkembangan ini menyebabkan timbulnya kebutuhan
Lebih terperinciIV. HASIL DAN PEMBAHASAN
8 eigenvalue masing-masing mode terhadap nilai total eigenvalue (dalam persen). PC 1 biasanya menjelaskan 60% dari keragaman data, dan semakin menurun untuk PC selanjutnya (Johnson 2002, Wilks 2006, Dool
Lebih terperinciFakultas Ilmu dan Teknologi Kebumian
Fakultas Ilmu dan Teknologi Kebumian Program Studi Meteorologi PENERBITAN ONLINE AWAL Paper ini adalah PDF yang diserahkan oleh penulis kepada Program Studi Meteologi sebagai salah satu syarat kelulusan
Lebih terperinciPrediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)*
Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)* 1)Stasiun Meteorologi Supadio Pontianak Badan Meteorologi
Lebih terperinciIV. HASIL DAN PEMBAHASAN
9 menguji kelayakan model sehingga model sementara tersebut cukup memadai. Salah satu caranya adalah dengan menganalisis galat (residual). Galat merupakan selisih antara data observasi dengan data hasil
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciBab I. Pendahuluan Latar Belakang
Bab I. Pendahuluan 1.1. Latar Belakang Dampak perubahan iklim telah mendapat perhatian yang sangat serius dan mendorong banyak penelitian selama beberapa dekade terakhir ini. Hasil penelitian tersebut
Lebih terperinciFakultas Ilmu dan Teknologi Kebumian
Fakultas Ilmu dan Teknologi Kebumian Program Studi Meteorologi PENERBITAN ONLINE AWAL Paper ini adalah PDF yang diserahkan oleh penulis kepada Program Studi Meteologi sebagai salah satu syarat kelulusan
Lebih terperinciPERANCANGAN MODEL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK MEMPREDIKSI CUACA MARITIM
PERANCANGAN MODEL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK MEMPREDIKSI CUACA MARITIM Oleh : Ardian Candra Pratama 2406 100 021 Dosen Pembimbing : Ir. Syamsul Arifin, MT. Dr. Ir. Aulia Siti Aisyah, MT.
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciPERANCANGAN MODEL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK MEMPREDIKSI CUACA MARITIM
PERACAGA MODEL ADAPTIVE EURO FUZZY IFERECE SYSTEM UTUK 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
Lebih terperinciANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN
ANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN Abstrak Vinsensius Rinda Resi - NIM : A11.2009.04645 Program Studi Teknik
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Musim hujan merupakan musim yang mutlak ada di sebagian belahan benua dunia. Dan curah hujan pasti memiliki
BAB I PENDAHULUAN 1.1 Latar Belakang Musim hujan merupakan musim yang mutlak ada di sebagian belahan benua dunia. Dan curah hujan pasti memiliki intensitas yang berbeda. Faktor penyebabnya dapat terjadi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Peramalan Peramalan adalah suatu kegiatan dalam memperkirakan atau kegiatan yang meliputi pembuatan perencanaan di masa yang akan datang dengan menggunakan data masa lalu
Lebih terperinciPerbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca
NATURALA Journal of Scientific Modeling & Computation, Volume 1 No.1 2013 7 ISSN 23030135 Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca Candra Dewi 1, M. Muslikh
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinciPREDIKSI CURAH HUJAN TAHUNAN MENGGUNAKAN ANFIS DENGAN PENGELOMPOKAN DATA (Studi Kasus Pada Stasiun Meteorologi Bandara Jalaluddin Gorontalo)
PREDIKSI CURAH HUJAN TAHUNAN MENGGUNAKAN ANFIS DENGAN PENGELOMPOKAN DATA (Studi Kasus Pada Stasiun Meteorologi Bandara Jalaluddin Gorontalo) Ifan Wiranto, Wahab Musa, Wrastawa Ridwan Jurusan Teknik Elektro
Lebih terperinciPERANCANGAN PERANGKAT LUNAK PREDIKTOR CUACA BERBASIS LOGIKA FUZZY
PERANCANGAN PERANGKAT LUNAK PREDIKTOR CUACA BERBASIS LOGIKA FUZZY Oleh Ilham Bangun Asmoro 2407 100 030 Dosen Pembimbing : Ir. Syamsul Arifin, MT Fitri Adi I., ST, MT Jurusan Teknik Fisika Fakultas Teknologi
Lebih terperinciD R. BAMBANG L ELONO, ST.MT
PERANCANGAN PREDIKTOR CUACA MARITIM DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) UNTUK MENINGKATKAN JANGKAUAN RAMALAN, STUDI KASUS : PELAYARAN SURABAYA-BANJARMASIN RIKY JAYA SAMPURNA I R.
Lebih terperinciFakultas Ilmu dan Teknologi Kebumian
Fakultas Ilmu dan Teknologi Kebumian Program Studi Meteorologi PENERBITAN ONLINE AWAL Paper ini adalah PDF yang diserahkan oleh penulis kepada Program Studi Meteologi sebagai salah satu syarat kelulusan
Lebih terperinciPERAMALAN JUMLAH TAMU HOTEL DI KABUPATEN DEMAK
PERAMALAN JUMLAH TAMU HOTEL DI KABUPATEN DEMAK MENGGUNAKAN METODE SUPPORT VECTOR REGRESSION SKRIPSI Disusun Oleh : DESY TRISHARDIYANTI ADININGTYAS 24010211130047 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN 4.1. Kompilasi dan Kontrol Kualitas Data Radar Cuaca C-Band Doppler (CDR) Teknologi mutakhir pada radar cuaca sangat berguna dalam bidang Meteorologi untuk menduga intensitas curah
Lebih terperinciFakultas Ilmu dan Teknologi Kebumian
Fakultas Ilmu dan Teknologi Kebumian Program Studi Meteorologi PENERBITAN ONLINE AWAL Paper ini adalah PDF yang diserahkan oleh penulis kepada Program Studi Meteologi sebagai salah satu syarat kelulusan
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Iklim Iklim ialah suatu keadaan rata-rata dari cuaca di suatu daerah dalam periode tertentu. Curah hujan ialah suatu jumlah hujan yang jatuh di suatu daerah pada kurun waktu
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan pada bulan Juni 2013 sampai dengan Januari 2014 di
15 III. METODE PENELITIAN A. Tempat dan Waktu Penelitian Penelitian ini dilaksanakan pada bulan Juni 2013 sampai dengan Januari 2014 di Laboratorium Teknik Sumber Daya Air Universitas Lampung B. Alat dan
Lebih terperinciPeramalan Deret Waktu Menggunakan S-Curve dan Quadratic Trend Model
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Peramalan Deret Waktu Menggunakan S-Curve dan Quadratic Trend Model Ni Kadek Sukerti STMIK STIKOM Bali Jl. Raya Puputan
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI Bab ini selain menjelaskan mengenai kebutuhan minimum untuk perangkat keras dan perangkat lunak yang digunakan untuk pemakaian aplikasi yang dihasilkan, juga dijelaskan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Tenaga listrik merupakan kebutuhan yang sangat penting bagi manusia dalam melakukan aktifitasnya sehari-hari. Peralatan rumah tangga maupun industri hampir semuanya
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kabupaten Purworejo adalah daerah agraris karena sebagian besar penggunaan lahannya adalah pertanian. Dalam struktur perekonomian daerah, potensi daya dukung
Lebih terperinciEstimasi Nilai Tukar Rupiah Terhadap Dollar Amerika di Indonesia dengan Pendekatan Adaptive Neuro Fuzzy
JUDUL SKRIPSI : Estimasi Nilai Tukar Rupiah Terhadap Dollar Amerika di Indonesia dengan Pendekatan Adaptive Neuro Fuzzy Disusun oleh: Nama : ANNA FIRYANA NPM : 10208156 Jurusan : Manajemen / S1 Pembimbing
Lebih terperinciBAB 1 PENDAHULUAN. pengamatan parameter-parameter cuaca secara realtime maupun dengan alat-alat
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Mengetahui keadaan cuaca saat ini dapat dilakukan dengan melakukan pengamatan parameter-parameter cuaca secara realtime maupun dengan alat-alat penginderaan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Analisis Perubahan Rasio Hutan Sebelum membahas hasil simulasi model REMO, dilakukan analisis perubahan rasio hutan pada masing-masing simulasi yang dibuat. Dalam model
Lebih terperinciIV. METODOLOGI PENELITIAN. Penelitian ini akan dilaksanakan di Pulau Untung Jawa Kabupaten
IV. METODOLOGI PENELITIAN 4.1 Lokasi dan Waktu Penelitian ini akan dilaksanakan di Pulau Untung Jawa Kabupaten Kepulauan Seribu, Provinsi DKI Jakarta. Pemilihan lokasi dilakukan secara sengaja (purposive
Lebih terperinciBAB III DATA DAN METODOLOGI
BAB III DATA DAN METODOLOGI 3.1 Data Dalam penelitian ini digunakan setidaknya 4 jenis data, yaitu data GFS (Global Forecast System) dari NCEP (National Center for Environment Prediction) sebagai initial
Lebih terperinciABSTRAK. Kata Kunci : Curah Hujan, Levenberg Marquardt, Backpropagation. ABSTRACT
ABSTRAK Dufan, Ariel. 2016. Prediksi Curah Hujan Dengan Menggunakan Algoritma Levenberg- Marquardt Dan Backpropagation (Studi Kasus : BMKG Kota Tanjungpinang), Skripsi. Tanjungpinang: Jurusan Teknik Informatika,
Lebih terperinciANFIS DENGAN MEMBERSHIP FUNCTION UNTUK PREDIKSI CURAH HUJAN PADA DATA RENTET WAKTU MULTIVARIATE
Technologia Vol 9, No.1, Januari Maret 2018 18 ANFIS DENGAN MEMBERSHIP FUNCTION UNTUK PREDIKSI CURAH HUJAN PADA DATA RENTET WAKTU MULTIVARIATE Lilis Anggraini Fakultas Teknologi Informasi Universitas Islam
Lebih terperinciAPLIKASI SOFT COMPUTING PADA PREDIKSI CURAH HUJAN DI KALIMANTAN
APLIKASI SOFT COMPUTING PADA PREDIKSI CURAH HUJAN DI KALIMANTAN TESIS Karya tulis sebagai salah suatu syarat untuk memperoleh gelar magister dari Institut Teknologi Bandung Oleh : DENI SEPTIADI NIM : 22406002
Lebih terperinciPENDAHULUAN 1.1. Latar belakang
1 I. PENDAHULUAN 1.1. Latar belakang Curah hujan merupakan salah satu parameter atmosfer yang sulit untuk diprediksi karena mempunyai keragaman tinggi baik secara ruang maupun waktu. Demikian halnya dengan
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA DATA
4.1 Training JST BAB IV PENGUJIAN DAN ANALISA DATA Dalam penelitian ini menggunakan metode penentuan bobot pada training jaringan syaraf tiruan yaitu Levenberg Marquad dengan struktur JST menggunakan MLP
Lebih terperinciBAB 3 METODOLOGI. 3.1 Metodologi Penelitian Pengumpulan Bahan Penelitian. Dalam penelitian ini bahan atau materi dikumpulkan melalui :
BAB 3 METODOLOGI 3.1 Metodologi Penelitian 3.1.1 Pengumpulan Bahan Penelitian Dalam penelitian ini bahan atau materi dikumpulkan melalui : 1) Data primer, yaitu memperoleh sumber data penelitian langsung
Lebih terperinciBAB 1 PENDAHULUAN. aspek kehidupan dari bangsa ini akan selalu dipengaruhi oleh keadaan hujan ataupun
BAB 1 PENDAHULUAN 1.1. Latar Belakang Indonesia adalah negara daerah tropis yang diapit antara samuera Hindia dan samudera Pasifik juga antara benua Asia dan benua Austarlia, memiliki dua musim dalam setahun,
Lebih terperinciPREDIKSI TINGKAT PRODUKSI KOPI MENGGUNAKAN REGRESI LINEAR
PREDIKSI TINGKAT PRODUKSI KOPI MENGGUNAKAN REGRESI LINEAR Petrus Katemba 1, Rosita Koro Djoh 2 Abstrak : Kabupaten Manggarai menjadi sentra produksi kopi di Nusa Tenggara Timur, yang dikenal dengan sebutan
Lebih terperinciFakultas Ilmu dan Teknologi Kebumian
Fakultas Ilmu dan Teknologi Kebumian Program Studi Meteorologi PENERBITAN ONLINE AWAL Paper ini adalah PDF yang diserahkan oleh penulis kepada Program Studi Meteologi sebagai salah satu syarat kelulusan
Lebih terperinciMusim Hujan. Musim Kemarau
mm IV. HASIL DAN PEMBAHASAN. Analisis Data Curah hujan Data curah hujan yang digunakan pada penelitian ini adalah wilayah Lampung, Pontianak, Banjarbaru dan Indramayu. Selanjutnya pada masing-masing wilayah
Lebih terperinciBAB 2 LANDASAN TEORI
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan
Lebih terperinciPREDIKSI CURAH HUJAN DAN HARI HUJAN BULANAN DENGAN PREDIKTOR SUHU MUKA LAUT DI WILAYAH PESISIR BARAT DAYA SULAWESI
Jurnal Meteorologi Klimatologi dan Geofisika Vol... No...Desember PREDIKSI CURAH HUJAN DAN HARI HUJAN BULANAN DENGAN PREDIKTOR SUHU MUKA LAUT DI WILAYAH PESISIR BARAT DAYA SULAWESI Eva Prameuthia,, Erwin
Lebih terperinci2. Adanya resiko pemumpukan barang pada gudang.
BAB 3 PROSEDUR DAN METODOLOGI 3.1. Analisis Masalah 3.1.1. Deskripsi Masalah Pemenuhan keinginan atau permintaan pasar merupakan hal yang krusial bagi setiap perusahaan. Perusahaan yang siap berkompetisi
Lebih terperinciIstilah-istilah yang digunakan dalam penerapan logika fuzzy adalah sebagai berikut (Ayuningtiyas et al, 2007):
Logika fuzzy adalah suatu sistem logis pada suatu informasi logis yang bertujuan pada suatu formalisasi dari taksiran pemikiran. Tidak seperti logika klasik (boolean), logika fuzzy memiliki nilai yang
Lebih terperinciFakultas Ilmu dan Teknologi Kebumian
Fakultas Ilmu dan Teknologi Kebumian Program Studi Meteorologi PENERBITAN ONLINE AWAL Paper ini adalah PDF yang diserahkan oleh penulis kepada Program Studi Meteologi sebagai salah satu syarat kelulusan
Lebih terperinciPeramalan Nilai Kontrak Konstruksi PT X dengan Menggunakan Pendekatan Regresi Time Series dan ANFIS
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X D-201 Peramalan Nilai Kontrak Konstruksi PT X dengan Menggunakan Pendekatan Regresi Time Series dan ANFIS Arif Nur Wijiyanto, Dwi Endah
Lebih terperinciHASIL DAN PEMBAHASAN
18 HASIL DAN PEMBAHASAN Eksplorasi data Tahap pertama dalam pembentukan model VAR adalah melakukan eksplorasi data untuk melihat perilaku data dari semua peubah yang akan dimasukkan dalam model. Eksplorasi
Lebih terperinciPeramalan Nilai Kontrak Konstruksi PT X dengan Menggunakan Pendekatan Regresi Time Series dan ANFIS
1 Peramalan Nilai Kontrak Konstruksi PT X dengan Menggunakan Pendekatan Regresi Time Series dan ANFIS Arif Nur Wijiyanto, Dwi Endah Kusrini, dan Irhamah Jurusan Statistika, Fakultas Matematika dan Ilmu
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Sejak tahun 1980-an para peneliti meteorologi meyakini bahwa akan terjadi beberapa penyimpangan iklim global, baik secara spasial maupun temporal. Kenaikan temperatur
Lebih terperinci4 BAB IV HASIL DAN ANALISA
4 BAB IV HASIL DAN ANALISA 4.1 Evaluasi Persamaan Rain Rate 4.1.1 Hasil Estimasi curah hujan untuk satu titik (Bandung) perjam diakumulasi selama 24 jam untuk memperoleh curah hujan harian, selama rentang
Lebih terperinciESTIMASI PARAMETER MODEL HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK PADA HASIL PENGUKURAN MEAN SEA LEVEL SATELIT ALTIMETRI JASON 2
Vol. 7, No. 2, Desember 2012 ESTIMASI PARAMETER MODEL HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK PADA HASIL PENGUKURAN MEAN SEA LEVEL SATELIT ALTIMETRI JASON 2 Novi Mara KODE ARTIKEL : 117-2-12
Lebih terperinciPEMODELAN DAN SIMULASI TINGGI GENANGAN BANJIR DI KECAMATAN GUBENG KOTA SURABAYA MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS
PEMODELAN DAN SIMULASI TINGGI GENANGAN BANJIR DI KECAMATAN GUBENG KOTA SURABAYA MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS Penyusun Tugas Akhir : Ratri Enggar Pawening/5107100613 Pembimbing I Dr. Ir. Joko
Lebih terperinci1 PENDAHULUAN. Latar Belakang
1 PENDAHULUAN Latar Belakang Pada saat ini pengguna informasi cuaca jangka pendek menuntut untuk memperoleh informasi cuaca secara cepat dan tepat. Badan Meteorologi, Klimatologi dan Geofisika (BKMG) telah
Lebih terperinciBAB III PERANCANGAN DAN METODOLOGI
BAB III PERANCANGAN DAN METODOLOGI Setelah bab sebelumnya membahas tentang teori teori yang mendasari perancangan dalam Tugas Akhir ini, maka pada bab ini akan dijelaskan mengenai bentuk perancangan Jaringan
Lebih terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Lebih terperinciBAB III METODE PENELITIAN
21 BAB III METODE PENELITIAN 3.1 Desain Penelitian Pada bab ini akan dipaparkan skema umum penelitian yang dilakukan untuk mempermudah dalam melakukan penelitian. Dalam penelitian ini terdapat dua tahapan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan digunakanan sebagai acuan pencegah yang mendasari suatu keputusan untuk yang akan datang dalam upaya meminimalis kendala atau memaksimalkan pengembangan baik
Lebih terperinciVI. PENGEMBANGAN DECISION NETWORK YANG DIOPTIMASI DENGAN FUZZY INFERENCE SYSTEM UNTUK PENYUSUNAN KALENDER TANAM DINAMIK
113 VI. PENGEMBANGAN DECISION NETWORK YANG DIOPTIMASI DENGAN FUZZY INFERENCE SYSTEM UNTUK PENYUSUNAN KALENDER TANAM DINAMIK 6.1. Pendahuluan Secara umum, prinsip utama dalam pemodelan optimisasi adalah
Lebih terperinciPENGEMBANGAN MODEL KALENDER TANAM DINAMIK SEBAGAI TEKNOLOGI ADAPTASI
125 VII. PENGEMBANGAN MODEL KALENDER TANAM DINAMIK SEBAGAI TEKNOLOGI ADAPTASI 7.1. Pendahuluan Salah satu informasi yang dirasakan sangat penting dalam kaitan dengan penjadwalan penanaman petani adalah
Lebih terperinciBAB III METODOLOGI PENELITIAN. Pelaksanaan penelitian ini, memerlukan banyak hal yang harus
BAB III METODOLOGI PENELITIAN III.1 Diagram Alur (Flowchart) Pelaksanaan penelitian ini, memerlukan banyak hal yang harus diperhatikan sebagai persiapan dalam melakukan penelitian. Tujuannya agar memperkecil
Lebih terperinciPOSITRON, Vol. V, No. 1 (2015), Hal ISSN :
POSITRON, Vol. V, No. (5), Hal. - 5 ISSN : -97 Prediksi Ketinggian Gelombang Laut Perairan Laut Jawa Bagian Barat Sebelah Utara Jakarta dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Prada Wellyantama
Lebih terperinciPREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) Supriyanto 1, Sudjono 2, Desty Rakhmawati 3 ( 1,2. UNSOED Purwokerto, 3. STMIK
Lebih terperinciAtina Ahdika. Universitas Islam Indonesia 2015
Atina Ahdika Universitas Islam Indonesia 2015 Pada materi sebelumnya, kita telah belajar tentang koefisien korelasi, yaitu suatu ukuran yang menyatakan tentang kuat tidaknya hubungan linier antara dua
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Di era modern seperti saat ini, energi listrik menjadi salah satu kebutuhan dasar dalam kehidupan masyarakat. Berbagai peralatan rumah tangga maupun industri saat ini
Lebih terperinciPRISMA FISIKA, Vol. III, No. 3 (2015), Hal ISSN :
PRISMA FISIKA, Vol. III, No. (05), Hal. 79-86 ISSN : 7-80 Pemodelan Kebutuhan Daya Listrik Di Pt. PLN (Persero) Area Pontianak dengan Menggunakan Metode Gauss-Newton Mei Sari Soleha ), Joko Sampurno *),
Lebih terperinci2 TINJAUAN PUSTAKA. Model Sistem Prediksi Gabungan Terbobot
11 2 TINJAUAN PUSTAKA Prediksi unsur iklim curah hujan dengan akurasi tinggi di wilayah tropis dapat dikategorikan sulit dilakukan. Apalagi jika prediksi tersebut diarahkan pada luaran yang bersifat kuantitatif
Lebih terperinciPenerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih
Penerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih Niska Ramadani Dosen Universitas Dehasen Bengkulu niskaramadani@gmail.com ABSTRAK Pertumbuhan penduduk harus
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Hujan merupakan salah satu bentuk presipitasi uap air yang berasal dari awan yang terdapat diatmosfer, titik-titik air di udara atau awan yang sudah terlalu
Lebih terperinciPOSITRON, Vol. IV, No. 2 (2014), Hal ISSN :
Modifikasi Estimasi Curah Hujan Satelit TRMM Dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Studi Kasus Stasiun Klimatologi Siantan Fanni Aditya 1)2)*, Joko Sampurno 2), Andi Ihwan 2) 1)BMKG Stasiun
Lebih terperinciBab III. Metode dan Perancangan Sistem
Bab III Metode dan Perancangan Sistem 3.1 Metode Penelitian Tahapan penelitian dibagi mejadi menjadi 7 langkah, yaitu 1. Mengorganisasi pengujian 2. Mengembangkan rencana pengujian 3. Verifikasi pengujian
Lebih terperinciMA5283 STATISTIKA Bab 7 Analisis Regresi
MA5283 STATISTIKA Bab 7 Analisis Regresi Orang Cerdas Belajar Statistika Silabus Silabus dan Tujuan Perkuliahan Silabus Tujuan Peubah bebas dan terikat, konsep relation, model regresi linier, penaksir
Lebih terperinciPENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM
PENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM Nanik Susanti 1* 1 Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box 53, Bae, Kudus
Lebih terperinciMODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA
MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA TUGAS AKHIR SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciPresentasi Sidand Tesis
HASIL DAN PEMBAHASAN 26 SISTEM DINAMIK (1) (2) T(t) = Populasi sel kanker pada saat t N(t) = Populasi sel normal pada saat t I(t) = Populasi sel kekebalan tubuh pada saat t Dengan Kondisi Awal T(0)=T0;
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Semakin bertambah tahun, semua peralatan konvensional semakin tergantikan dengan adanya peralatan elektronik. Di setiap sisi kehidupan pada saat ini menggunakan peralatan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtun waktu. Adapun data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data
Lebih terperinciANALISIS DAMPAK PERUBAHAN TUTUPAN LAHAN HUTAN TERHADAP IKLIM DI PULAU KALIMANTAN MENGGUNAKAN MODEL IKLIM REGIONAL (REMO) SOFYAN AGUS SALIM G
ANALISIS DAMPAK PERUBAHAN TUTUPAN LAHAN HUTAN TERHADAP IKLIM DI PULAU KALIMANTAN MENGGUNAKAN MODEL IKLIM REGIONAL (REMO) SOFYAN AGUS SALIM G02400013 DEPARTEMEN GEOFISIKA DAN METEOROLOGI FAKULTAS MATEMATIKA
Lebih terperinciBab IV Analisis dan Pembahasan
Bab IV Analisis dan Pembahasan IV.1 Analisis Clustering Analisis clustering menggunakan jaringan kompetitif Kohonen (Self Organizing Map) menggunakan 2 vektor masukan x 1 dan x 2. Vektor x 1 diisi dengan
Lebih terperinciSumber : Hasil olah data,2009
pengelompokan data terlihat data curah hujan yang tercatat di Stasiun Poncokusumo yang cukup baik yaitu sebesar.52 untuk time lag (waktu sekarang) namun bila digeser sampai dengan minus 3 hari nilai korelasinya
Lebih terperinciPEMBAHASAN ... (3) RMSE =
7 kemampuan untuk mengikuti variasi hujan permukaan. Keterandalan model dapat dilihat dari beberapa parameter, antara lain : Koefisien korelasi Korelasi dinyatakan dengan suatu koefisien yang menunjukkan
Lebih terperinciREGRESI LINEAR SEDERHANA
REGRESI LINEAR SEDERHANA Latar Belakang Terdapat kejadian kejadian, kegiatankegiatan, atau masalah- masalah yang saling berhubungan satu sama lain Dibutuhkan analisis hubungan antara kejadian tersebut
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciSimulasi Arus dan Distribusi Sedimen secara 3 Dimensi di Pantai Selatan Jawa
G174 Simulasi Arus dan Distribusi Sedimen secara 3 Dimensi di Pantai Selatan Jawa Muhammad Ghilman Minarrohman, dan Danar Guruh Pratomo Departemen Teknik Geomatika, Fakultas Teknik Sipil dan Perencanaan,
Lebih terperinciRestu Tresnawati, Kurnia Endah Komalasari Puslitbang BMKG, Jl Angkasa 1 No.2 Kemayoran Jakarta Pusat
SKENARIO TENGGANG WAKTU SST NINO 3.4 TERHADAP CURAH HUJAN UNTUK MENINGKATKAN AKURASI PREDIKSI KALMAN FILTER SCENARIOS OF TIME LAG SST NINO 3.4 TO PRECIPITATION FOR ACCURATION INCREASING OF KALMAN FILTER
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Persaingan dalam dunia bisnis, terlebih lagi bagi perusahaan besar, tidak lepas dari adanya proses jual beli saham. Saham secara umum merupakan surat berharga yang dapat
Lebih terperinciMODEL PERAMALAN INFLOW WADUK PLTA KOTO PANJANG MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
MODEL PERAMALAN INFLOW WADUK PLTA KOTO PANJANG MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM 1 Ria Utami, 2 Imam Suprayogi, 2 Yohanna Lilis Handayani 1 Mahasiswa Jurusan Teknik Sipil, Fakultas
Lebih terperinciBab I Pendahuluan I.1 Latar Belakang
Bab I Pendahuluan I.1 Latar Belakang Salah satu energi alternatif yang jumlahnya tak terbatas, kontinu, terdapat dimanamana, tidak menimbulkan polusi dan gratis adalah sinar matahari. Kini, energi matahari
Lebih terperinciDAFTAR ISI DAFTAR GAMBAR DAFTAR TABEL INTISARI ABSTRACT
DAFTAR ISI LEMBAR PENGESAHAN HALAMAN PERNYATAAN PRAKATA DAFTAR ISI DAFTAR GAMBAR DAFTAR TABEL INTISARI ABSTRACT i vi viii ix x BAB I. PENDAHULUAN 1 1.1 Latar Belakang 1 1.2 Rumusan Masalah 3 1.3 Batasan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Pendahuluan Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN Bab ini akan membahas tentang pintu air Manggarai secara singkat, hasil analisa data, dan pembahasan hasil penelitian. 4.1 Pintu air Manggarai Secara operasional pintu air Manggarai
Lebih terperinciPENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA
SISTEM PENDUKUNG KEPUTUSAN PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA Alda Raharja - 5206 100 008! Wiwik Anggraeni, S.Si, M.Kom! Retno
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Melihat kondisi sebagian besar masyarakat Indonesia saat ini yang mengalami banyak tekanan baik dari segi ekonomi, politik, pekerjaan dan sebagainya, menyebabkan terjadinya
Lebih terperinci