PERANCANGAN MODEL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK MEMPREDIKSI CUACA MARITIM

Transkripsi

1 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 Teknologi Sepuluh opember Kampus ITS, Keputih Sukolilo, Surabaya Abstrak Studi ini menyelidiki penerapan Adaptive euro Fuzzy Inference System untuk memprediksi 3 variabel cuaca yaitu curah hujan, kecepatan arus laut, dan ketinggian gelombanag laut menggunakan beberapa parameter cuaca sebagai prediktor. yang digunakan berasal dari stasiun cuaca BMKG yang dikumpulkan selama 3 tahun dengan interval waktu 1 hari. Pada penelitian ini dibandingkan dua metode yaitu multi variate dan time series AFIS. Digunakan gabunagn alogaritma backpropagation gradient descent dan recursive least square estimator(rlse)untuk pembelajaran. Kita menemukan bahwa AFIS time series lebih sesuai untuk memodelkan kecepatan arus laut dan ketinggian gelombang laut. Performa model ini dapat dinilai dari RMSEnya yaitu masing-masing cm/s dan m. Selain itu VAF juga digunakan untuk menilai performa mode, untuk kecepatan arus laut mencapai % dan ketinggian gelombang laut adalah %. Akan tetapi AFIS tidak sesuai untuk memodelkan curah hujan. RMSE dan VAF untuk model ini adalah 9.64 mm/hari dan 38,00 %. Hal ini dikarenakan AFIS peka terhadap perbedaan jangkauan data input/outputnya. Kata kunci : AFIS, curah hujan, kecepatan arus laut, ketinggian gelombang laut. I. Pendahuluan Mencari metoda untuk memprediksi cuaca adalah kegiatan yang akhir-akhir ini giat dilakukan oleh peneliti atmosfer/cuaca. Hal ini dikarenakan banyaknya tuntutan dari berbagai pihak yang membutuhkan informasi kondisi atmosfer yang lebih cepat, lengkap, dan akurat. Bahkan beberapa pihak lain menuntut tersedianya prediksi kondisi atmosfer dengan rentang waktu harian/jam-an dalam skala ruang yang lebih kecil. Kebutuhan ini mendorong berkembangnya metoda-metoda prediksi cuaca/iklim baik berbasis metoda statistik maupun metoda dinamik. Pada penelitian sebelumnya dilakukan peramalan cuaca dengan menggunakan fuzzy clustering(syamsul Arifin, 2007), logika fuzzy yang digunakan dalam penelitian ini mampu melakukan predisksi sebanayak 211 prediksi dengan tepat untuk data uji sebanyak 304 hari, penelitian ini menghasilkan tingkat ketepatan sebesar 69%. Selanjutnya prediksi cuaca maritim menggunakan jaringan syaraf tiruan (Andre Kresnawan, 2008) mempunyai tingkat akurasi sebesar 60,7 % untuk prediksi arus laut, 72,4% untuk prediksi ketinggian gelombang laut, 26,122 % untuk prediksi curah hujan. Selanjutnya pada penelitian ini digabungkan dua metode yaitu logika fuzzy yang mampu menggunakan variabel linguistik sebagai salah satu data base dalam pengambilan keputusan untuk prediksi cuaca dan jaringan syaraf tiruan yang mempunyai kemampuan untuk beradaptasi karena variabel-variabel atmosfir yang bersifat non-linier. Kedua metode itu akan digabungkan dalam metode Adaptive euro Fuzzy Inference System agar bisa mempertinggi tingkat ketepatan prediksi cuaca tersebut. Permasalahan yang harus diselesaikan dalam pelaksanaan tugas akhir ini adalah bagaimana merancang model cuaca menggunakan adaptive neuro-fuzzy inference system untuk memprediksi cuaca maritim pada wilayah tertentu. II. dan Metode. utama dikumpulkan oleh stasiun cuaca BMKG II Perak Surabaya. Variabel cuaca ini kemudian direkam per-hari selama 3 tahun yatiu mulai bulan 1 Jauari 2006 s/d 31 Desember Koordinat pengambilan data ini adalah LS dan BT. tersebut terdiri dari 7 variabel yaitu : kecepatan angin (m/s), kelembaban udara (%), tekanan udara (mbarr), suhu udara ( 0 C), curah hujan (mm/day), ketinggian gelombang laut (m), dan kecepatan arus laut (cm/s). Selanjutnya data yang telah terekam itu dibagi menjadi dua bagian, bagian pertama digunakan sebagai data training dan bagian kedua dijadikan sebagai data validasi. Model AFIS. Pada penelitian ini dilakukan eksperimen dengan berbagai model AFIS. Salah satu hal yang mempengaruhi model AFIS ini adalah jumlah input jaringan. Dibandingkan antara AFIS time series dan AFIS multi variabel. Pada AFIS time series input data sama dengan variabel output data, akan tetapi berbeda terhadap fungsi waktu. Pada model time series ini, variabel lain diasumsikan konstan dan tidak mempengaruhi variabel yang dimodelkan. Yang diutamakan dalam model ini adalah pola data terhadap fungsi waktu. curah hujan direkam setiap 1 hari sekali, oleh karena itu curah hujan hanya dimodelkan untuk

2 X A 1 A 2 Σ Z B1 Y B2 Lapisan 5 Lapisan 1 Lapisan 2 Lapisan 3 Lapisan 4 Gambar 3.9 Struktur AFIS 2 input dan 2 membership function memprediksi curah hujan satu hari kedepan saja. Input yang digunakan adalah data curah hujan pada hari ini dan satu hari sebelumnya. Sedangkan pada model kecepatan arus laut dan ketinggian gelombag laut digunakan data setiap jam untuk memprediksi variabel-variabel tersebut pada 1, 6, 12, dan 24 jam kedepan. Sebagai inputan adalah data pada saat ini dan n jam kebelakang. Selanjutnya untuk AFIS multi variabel, digunakan variabel lain sebagai intput jaringan,sedangkan output jaringan adalah tiga variabel yang dimodelkan yaitu curah hujan, kecepatan arus laut, dan ketinggian gelombang laut. Unsur cuaca yang digunakan sebagai input adalah suhu udara, tekanan udara, kelembaban udara, dan kecepatan angin. Keempat variabel ini digunakan sebagai input dikarenakan variabelvariabel ini penyebab utama terjadinya hujan. Akan tetapi pada penelitian ini dibandingkan antara kombiasi-kombinasi inputan jaringan. Kombiasi itu antara lain; hanya digunakan 2 variabel saja misalnya suhu udara dan kelembaban udara, kemudian dibandingkan dengan 3 variabel input, dan 4 variabel input. Dikarenakan AFIS peka terhadap jumlah input data, maka digunakan berbagai macam kombinasi input data. Oleh sebab itu dipersiapkan beberapa macam kombinasi input data pada beberapa model AFIS ini. Perancangan model AFIS. Berdasarkan AFIS tool, ada dua hal utama yang harus dilakukan untuk merancang AFIS 1. Perancangan jaringan AFIS Sugeno Jaringan AFIS seperti terlihat pada gambar di atas. Proses ini dijalankan dengan perintah anfisedit dengan nummf 2 dan mftype adalah gbellmf. 2. Proses pembelajaran Proses pembelajaan dimulai dengan perintah anfis dengan alogaritma pembelajaran hybrid dan epoch number 50. Selama pembelajran, AFIS akan mempelajari pola deret input dan deret output. 3. Validasi Setelah dilakukan pmbelajaran, didapatkan model AFIS yang selanjutnya disimulasikan dengan input data validasi. Untuk mengetahui performa model ini digunaka 2 parameter yaitu root mean square error (RMSE) dan Variance Accounted For (VAF) dengan persamaan di bawah ini: RMSE VAF i 1 y i yˆ i 2 var y( t) yˆ( t) 1 x100% var y( t) (2.1) (2.2) Variabel di atas dapat dijelaskan sebagai berikut, yi adalah data output hasil pengukuran dan yi bar adalah output jaringan hasil prediksi, sedangkan adalah jumlah data. III. Hasil Curah Hujan. Pada perancangan model curah hujan, dibandingkan antara metode time series dan multi variate. Pada metode time series input jaringan merupakan variabel curah hujan sendiri, akan tetapi berbeda pada waktunya, yaitu curah hujan pada (t-1) dan (t). Untuk keluaran jaringan adalah curah hujan pada keesokan harinya yaitu (t+1). Hasil dari pemodelan masing-masing metoda dapat dilihat pada grafik di bawah ini. Dan performansi dari model-model tersebut dapat diketahui dari nilai RMSE-nya dan hasil simulasi terhadap nilai sesungguhnya. Gambar 4.1 RMSE AFIS time series

3 Gambar 4.2 RMSE AFIS multi variate Gambar 4.3 Grafik curah hujan dan error pada pukul WIB aktual (biru) dan prediksi (merah) dengan model AFIS time series Dapat kita amati pada gambar 4.3 bahwa pada model AFIS time series bukan merupakan prediktor yang kuat. Terlihat pada grafik tersebut, prediksi dari model ini tidak bisa mengikuti pola curah hujan yang terjadi. Pola prediksi selalu satu hari terlambat dari keadaan yang sebenarnya. Pada kasus ini AFIS mengikuti pola satu hari di belakangnya dan model ini masih menyimpan memori tesebut, sehingga pada prediksi satu hari berikutnya akan tampak sama dengan pola satu hari berikutnya. Jadi masih ada beberapa nilai curah hujan yang diambil oleh sistem. VAF terbaik dari metode ini adalah 13,05%, nilai ini mengindikasikan bahwa model ini tidak bisa menyesuaikan dengan pola curah hujan sebenarnya. Pada grafik error prediksi terlihat bahwa apabila terjadi perubahan pola curah hujan secara signifikan maka error akan semakin besar. Hal ini menunjukkan bahwa AFIS time series tidak peka dengan perubahan magnitude dari pola curah hujan sebenarnya. Gambar 4.4 Grafik curah hujan dan error pada pukul WIB dengan model AFIS multi variabel sebagai predictor adalah suhu, tekanan, dan kelembaban rata-rata Grafik di atas merupakan hasi simulasi dan error prediksi curah dari AFIS multi variate. Terdapat 3 variabel berbeda yang digunakan sebagai input jaringan. Variabel tersebut merupakan unsur utama cuaca, yaitu suhu udara ( C), tekanan udara (mbar), dan kelembaban udara (%). Pada dasarnya terjadinya hujan dipengaruhi oleh ketiga variabel ini. Suhu udara mempengaruhi terjadinya penguapan air. Jumlah air di udara menentukkan tingkat kelembaban udara. Dan tekanan udara juga dipengaruhi oleh suhu udara, karena semakin panas suhu udara maka tekanan udara akan semakin kecil. Fenomena fisis itu nantinya mempengaruhi terbentuknya dan terkumpulnya awan dan menjadi hujan. Akan tetapi pada simulasi ternyata hubungan ketiga variabel tersebut tidak menentukan performansi AFIS dalam memprediksi cuaca. Hipotesa awal, hal yang mempengaruhi performansi AFIS adalah magnitude dan skala besarnya variabel input. Ketiga variabel input tersebut mempunyai magnitude dan besar skala yang jauh berbeda, suhu udara C, kelembaban %, dan tekanan udara mbar. Untuk membuktikan hal itu dilakukan perancangan model menggunakan input yang mempunyai magnitude dan skala yang tidak jauh berbeda, yatiu pada model selanjutnya. Pada gambar selanjutnya, kita dapat menggambarkan beberapa hasil yang lebih bagus dari AFIS untuk memprediksi curah hujan harian pada pukul waktu setempat. Ini adalah beberapa hasil terbaik dari aplikasi AFIS multi variate. Pada studi ini, diselidiki pengaruh dari kombinasi data input terhadap performa AFIS. Hasil terbaik dari studi ini adalah curah hujan dengan prediktor suhu udara pada pukul 07.00, suhu udara pada pukul 17.00, dan kelmbaban udara pada pukul waktu setempat. Curah hujan yang diprediksi adalah curah hujan pada pukul waktu setempat pada hari berikutnya. Pertimbangan dari kombiasi variabel inputan ini adalah suhu udara secara fisis mempengaruhi kelembaban udara. Dan dilakukan untuk curah hujan pada keesokan harinya dikarenakan penakaran jumlah hujan dilakuka hanya setiap pukul WIB. Jadi akumulasi curah hujan hanya terkumpul pada waktu itu. Untuk performa AFIS ini, dapat kita analisis bahwa hasil prediksinya lebih baik dibandigkan model

4 AFIS Curah Hujan Time Series (Day) Curah Hujan Multi Variate Curah Hujan Multi Variate Tabel 4.1 Perbandingan model AFIS time series dan multi variate input Jmlh data training Jmlh data validasi RMSE training RMSE Val VAF (%) Curah hujan (t-1) hari Curah Hujan (t)hari Suhu udara07.00, Suhu udara17.00, Kelembaban07.00 Suhu udara rata-rata Kelembaban rata-rata Tekanan rata-rata sebelumnya. Hal ini tampak pada nila VAF-nya, yaitu 38,00%. Meskipun model mempunyai performansi yang paling optimal diantara ketiganya,tetapi nilai VAF masih menunjukkan nilai yang belum memenuhi target yaitu lebih besar dari 80%. Akan tetapi hipotesis yang telah disebutkan di atas telah dapat dibuktikan kebenarannya, bahwa magnitude dan skala dari variabel input dapat mempengaruhi performansi AFIS. Dan dapat disimpulkan bahwa AFIS peka tehadap magnitude dan beda jangkauan. Tabel 4.1 menunjukkan performa masing-masing model agar mudah dibaca. Gambar 4.5 Grafik curah hujan dan error pada pukul WIB dengan model AFIS multi variabel sebagai predikti adalah suhu 07.00, suhu 17.00, dan kelembaban Arus Laut. Parameter cuaca maritim salah satunya diwakili oleh kecepatan arus laut. Pada perancangan model arus laut digunakan AFIS time series. Terdapat 2 input data training, yaitu kecepatan arus laut (cm/s) pada saat ini dan satui jam sebelumnya (v(t-1) dan v(t)). Output sistem adalah kecepatan arus laut. Pada studi ini dilakukan prediksi 1, 6, 12, dan 24 jam berikutnya. Jadi masing-masing model mempunyai output v(t+1), v(t+6), v(t+12), dan v(t+24). Dan pada masing-masing output diuji dengan kombinasi jumlah membership function yang berbeda. Hasil dari pengujian didapatkan hasil bahwa prediksi satu jam ke depan jauh lebih akurat dibandingkan dengan 24 jam kedepan. Pada studi ini AFIS time series telah berhasil mempolakan kecepatan arus laut selama satu tahun. Dan model ini telah diuji untuk data tahun berikutnya dan terbukti bahwa model ini dapat memprediksi kecepatan arus laut dengan akurat untuk batas waktu 1 jam kedepan. Pada gambar 4.6 tampak bahwa model AFIS bisa tepat memprediksi arus laut. MEski terjadi anomali pada jam ke-1500, AFIS dapat mengikuti pola meski errornya jauh lebih besar dibandingkan dengan data selanjutnya. Untuk prediksi 24 jam kedepan dapat dilihat pada gambar 4.12 dan 4.13, keduanya sama untuk memprediksi arus laut 24 jam kedepan. Secara sepintas memang tidak ada bedanya akan tetapi membership function AFIS pada gambar 4.12 berjumlah 2, sedangkan untuk gambar 4.13 berjumlah 3. Untuk MF yang lebih banyak RMSE pada training lebih kecil, dimana hal ini menunjukkan performansinya lebih bagus. Akan tetapi setelah disimulasikan terkadang error yang mempunyai MF number lebih besar RMSE-nya juga lebih besar. Jadi belum tentu model yang mempunya MF number lebih besar dapat lebih tepat memprediksi arus laut di waktu mendatang. Untuk performansi dari model AFIS diatas dapat kita lihat dengan jelas bahwa prediksi untuk satu jam kedepan hasilnya lebih akurat dibandingkan dengan hasil prediksi untuk 24 jam kedepan. Hal ini dikarenakan pola data untuk prediksi satu hari kedepan lebih mudah diikuti oleh system. Mudah diikuti disini berhubungan dengan interval waktu. Semakin kecil interval waktu maka beda jangkauan data training akan semakin kecil pula. Sama halnya dengn curah hujan di atas, bahwasannya AFIS sensitf terhada jangkauan data dan magnitude. Jadi pada prediksi kecepatan arus laut ini yang terbaika adlah prediksi 1 jam kedepan menggunakan 3 membership function. Ketinggian Gelombang Laut. Dan parameter cuaca maritim sealain kecepatan arus laut adalah ketinggian gelombang. Pada penelitian ini gelombang yang diukur adalah gelombang yang paling tinggi untuk sepuluh kali periode (H/10). Satuan gelombang laut adalah meter. Sistem untuk memprediksi ketinggian gelombang laut ini juga menggunakan AFIS time series. Dat input

5 Prediction n Training Tabel 4.2 Perbandingan Model AFIS Checking o. of gbell RMSE tr RMSE ch VAF (%) 1 jam kedepan jam kedepan jam kedepan jam kedepan Prediction n Tabel 4.3 Perbandingan Model AFIS Gelombang Laut Training Checking o. of gbell RMSE tr RMSE ch VAF (%) 1 jam kedepan jam kedepan jam kedepan jam kedepan training adalah ketinggian gelombang laut pada satu jam sebelumnya dan pada saat ini ((h(t-1) dan h(t)). Kemudian untuk output adalah ketinggian gelombang laut pada waktu mendatang, yaitu h(t+1), h(t+6), h(t+12), dan h(t+24). Yag masingmasing output digunakan untuk memprediksi ketinggian gelombang laut pada 1, 6, 12, dan 24 jam mendatang. Untuk MF number dibandingkan anata 2 MF dan 3 MF. Untuk hasil simulasi dan error prediksi dapat dilihat pada gambar di bawah ini. Telah terbukti bahwa RMSE training tidak menentukan performasi AFIS. Perlu parameter lain unutk menilai apakah model tersebut sudah bagus. Dapat kita lihat pada AFIS untuk prediksi 24 jam kedepan nilai RMSE training 2 MF lebih besar dari pada 3 MF. Akan tetapi RMSE checking 2 MF lebih kecil dari 3 MF, hasilnya adalah error prediksi 2MF lebih kecil dari pada 3 MF. Dan dapat dikatan 2 MF lebih baik performansinya. Sedangkan untuk prediksi 1 jam kedepan berbeda, 3 MF lebih baik dari pada 2 MF. Hal ini memperlihatkan bahwa gelombang laut sangat tidak linier, sehingga tidak selalu jumlah cluster data yang lebih banyak bisa mempertinggi ketepatan prediksi. Selain itu parameter lain yang bisa menunjukkan performansi dari AFIS adalah VAF. VAF terbesar dimiliki oleh model AFIS untuk memprediksi gelombang laut 1 jam kedepan dengan 2 MF. Gambar 4.6 Grafik arus laut aktual(biru) dan prediksi(merah), dengan error prediksi

6 5. Gelley, ed; dan Jang, Roger.200.Fuzzy Logic Toolbox. Mathwork,Inc., USA 6. Hartati, Sri Kusumadewi & Sri; euro-fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf; 2006; Graha Ilmu; Yogyakarta Gambar 4.7 Grafik ketinggian gelombang laut aktual(biru) dan prediksi(merah), dengan error prediksi IV Kesimpulan Berdasarkan studi yang telah dilakukan, dapat disimpulkan bahwa: Pererforma model curah hujan mengguakan AFIS multi variate lebih bagus dibandingkan dengan AFIS time series. AFIS 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 AFIS 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 = %. ama : Ardian Candra Pratama rp : Alamat: Jl.Kejawen Gebang 7 Keputih Alamat Asal: Jl. Igusti gurah Rai 29 Tulungaung ardian_candra_p@yahoo.com Pendidikan : - SD Kampungdalem 3 ( ) - SMP 1Tulunagung ( ) - SMA 1 Boyolangu ( ) - Teknik Fisika ITS (2006-sekarang) DAFTAR PUSTAKA 1. Siang, Drs.Jong Jek,M.Sc.; Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan Matlab; 2004; Penerbit Andi; Yogyakarta. 2. Kusumadewi, Sri; Artificial Intelegence (Teknik dan Aplikasinya); 2003; Graha Ilmu;Yogyakarta. 3. Edvin, Application of Multivariate AFIS for Daily Rainfall Prediction: Influences of Training Size, BPPT, Jakarta, J.S.T Jang, C.T Sun and E.Mizutani, euro Fuzzy and Soft computing, Prentice Hall International, Inc., 1997.