PERANCANGAN MODEL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK MEMPREDIKSI CUACA MARITIM

Transkripsi

1 PERANCANGAN MODEL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK MEMPREDIKSI CUACA MARITIM Oleh : Ardian Candra Pratama Dosen Pembimbing : Ir. Syamsul Arifin, MT. Dr. Ir. Aulia Siti Aisyah, MT. JURUSAN TEKNIK FISIKA Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Surabaya 2010

2 Bumi adalah Sistem Cuaca = keadaan rata-rata kondisi atmosfir di suatu tempat tertentu dan dalam jangka waktu yang relatif singkat

3

4 Unsur Cuaca No Unsur Uraian Hasil rata-rata harian yang diambil dari rumus 2 X pagi + siang + sore 1 Suhu Rata-Rata dibagi 4. 2 Suhu Maximum Rata-rata temperatur maximum dalam satu hari. 3 Suhu Minimum Rata-rata temperatur minimum dalam satu hari. 4 Hujan Jumlah hujan dalam satu hari dengan satuan milimeter 5 Sinar Matahari Rata-rata lamanya penyinaran matahari tiap hari dihitung dengan %; 100% berarti rata-rata tiap hari 8 jam. 6 Tekanan Udara(di atas muka laut) Rata-rata tekanan udara dalam satu hari dengan satuan milibars. 7 Kelembaban Udara Rata-rata Kelembaban Udara dalam satuhari 8 Kec Angin Rata- Rata Hasil rata-rata kecepatan angin rata-rata satu hari 9 Kec Angin Terbesar Kecepatan angin yang terbesar yang pernah diamati(selama jam-jam pengamatan). 10 Arah Angin Terbanyak Arah angin yang diamati tiap jam dalam satu hari dipilih yang terbanyak arahnya.

5 Presipitasi/Curah Hujan Merupakan proses secara fisika & kimia yang mengubah wujud air menjadi fase yang berbeda Di Indonesia, presipitasi umumnya dikenal sebagai curah hujan 1 mm = 1 liter pada bidang 1 meter persegi Hari hujan adalah curah hujan yang tertampung 0,5 mm

6 Pola Curah hujan di Indonesia Keragaman jumlah curah hujan sangat besar Memiliki pola yang berbeda-beda di setiap daerah di Indonesia

7 Evaporasi Merupakan proses perubahan fase cair menjadi gas (uap air) Yang mempengaruhi evaporasi meliputi : radiasi surya, suhu udara, kelembaban udara, tekanan udara dan kecepatan angin

8 Gelombang Laut Pembangkit gelombang laut : 1. angin (gelombang angin), 2. gaya tarik menarik bumi-bulan-matahari (gelombang pasang-surut), 3. gempa (vulkanik atau tektonik) di dasar laut (gelombang tsunami), 4. gelombang yang disebabkan oleh gerakan kapal

9 Arus Laut Perpindahan masa air Disebabkan oleh : Arus Permukaan -----> angin Arus Kedalamaan -----> beda densitas

10 Fuzzy Inference Type Sugeno

11 ANFIS A1 XY X A2 Π W1 N W1' XY Σ f B1 Π N Y W2 W2' B2

12 TUJUAN PENELITIAN Merancang model cuaca menggunakan adaptive neuro-fuzzy inference system yang digunakan sebagai prediktor cuaca pada wilayah tertentu.

13 Start Metodologi Studi Literatur Pengambilan Data Pengolahan Data Perancangan Model ANFIS Tidak Validasi Model Ya Perancangan Software Prediktor Analisis dan Pembuatan Laporan Finish

14 Data Lapangan Variabel cuaca selama 3 tahun yatiu mulai bulan 1 Jauari 2006 s/d 31 Desember 2008 Koordinat LS dan BT

15

16

17 Perancangan Model Model Time Series Input--> y(t-n) dan y(t) Output--> y(t+n) Model Multi Variate Input--> Suhu,Tekanan Udara,Kelembaban, Kecepatan Angin Output--> -Curah Hujan -Ketinggian Gel Laut -Kecepatan Arus Laut

18 Parameter Validasi VAF var y( t) yˆ( t) 1 x100% var y( t) RMSE i N 1 y i N yˆ i 2

19 HASIL

20 Curah Hujan INPUT DATA Num MF RMSE Tr RMSE Val VAF (%) T Rh T p T v Rh p Rh v

21 Curah Hujan( Cont.) INPUT DATA Num MF RMSE Tr RMSE Val VAF (%) p v T Rh p T Rh v T p v T Rh p v

22 Curah Hujan (Cont.) ANFIS Curah Hujan Time Series (Day) RMSE tr RMSE ch VAF Data input (%) Curah hujan (t-1) hari Curah Hujan (t)hari Curah Hujan Multi Variate Curah Hujan Multi Variate Suhu udara07.00, Suhu udara17.00, Kelembaban07.00 Suhu udara rata-rata Kelembaban rata-rata Tekanan rata-rata

23 Time Series

24 Input(T,Rh,p,v)

25 Input (T dan Rh)

26 Arus Laut INPUT DATA Num MF RMSE Tr RMSE Val VAF (%) T Rh T p T v Rh p Rh v

27 INPUT DATA Num MF RMSE Tr RMSE Val VAF (%) p v T Rh p T Rh v T p v T Rh p v

28 ARUS LAUT Time Series Prediction n No. of RMSE tr RMSE ch VAF gbell (%) 1 jam kedepan jam kedepan jam kedepan jam kedepan

29 Arus Laut Prediksi 1 Jam Kedepan Vs Aktual

30 Gelombang Laut INPUT DATA Num MF RMSE Tr RMSE Val VAF (%) T Rh T p T v Rh p Rh v

31 INPUT DATA Num MF RMSE Tr RMSE Val VAF (%) p v T Rh p T Rh v T p v T Rh p v

32 GELOMBANG LAUT Time Series Prediction n Training Data Checking Data No. of gbell RMSE tr RMSE ch VAF (%) 1 jam kedepan jam kedepan jam kedepan jam kedepan

33 Gelombang Laut Prediksi 1 Jam Kedepan Vs Aktual

34 Simulator

35 Kesimpulan 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 = cm/s, RMSE validasi = cm/s dan VAF = %. Untuk prediksi ketinggian gelombang laut menghasilkan nilai RMSE training = m, RMSE validasi = m dan VAF = %.