MODUL 8 APLIKASI NEURAL NETWORK DAN FUZZY LOGIC PADA PERKIRAAN CUACA

Transkripsi

1 MODUL 8 APLIKASI NEURAL NETWORK DAN FUZZY LOGIC PADA PERKIRAAN CUACA Muhammad Ilham Program Studi Fisika, Institut Teknologi Bandung, Indonesia [email protected] Asisten: Fauzia P. Lestari / Ulin Nuha / Andromeda / Tanggal Praktikum: ( ) 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 MATLAB.

2 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 pengelompokan data 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 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 masingmasing 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 Sedang salah Sedang salah Sedang benar Sedang benar Sedang benar Sedang salah Sedang salah Sedang benar Sedang benar Sedang salah Sedang Benar Sedang Salah Sedang Benar Sedang Benar Sedang Benar Sedang Benar Sedang Salah Sedang Benar Sedang Benar Sedang Salah Sedang Salah Sedang Salah Sedang Benar Sedang Benar Sedang Salah Sedang Salah Sedang Benar Sedang Benar Sedang Salah Sedang Salah Sedang Salah Sedang Benar Sedang Benar Sedang Benar Sedang Benar Sedang Benar Sedang Benar Sedang Salah Sedang Benar Sedang Benar Sedang Benar Sedang Salah Sedang Benar Sedang Benar Sedang Benar Sedang Salah Sedang Benar Sedang Benar Sedang Benar Sedang Salah Sedang Salah Sedang benar Tabel 1. Perbandingan hasil perkiraan Kecepatan angin dengan yang sebenarnya.

3 Jumlah Benar 32 Jumlah Salah 20 Error (%) No. Cuaca Hasil Cerah Benar Cerah Salah Cerah Salah Cerah Benar Cerah Benar Cerah Salah Cerah Salah Cerah Salah Cerah Salah Cerah Salah Cerah Salah Hujan Salah Cerah Salah Cerah Salah Cerah Salah Cerah Benar Hujan Salah Cerah Salah Cerah Salah Hujan Benar Hujan Salah Cerah Salah Cerah Salah Cerah Benar Cerah Benar Cerah Benar Cerah Salah Cerah Salah Cerah Salah Cerah Salah Cerah Salah Cerah Salah Cerah Salah Cerah Salah Cerah Salah Cerah Benar Cerah Benar Cerah Salah Cerah Salah Cerah Salah Cerah Benar Cerah Salah Cerah Salah Cerah Salah Cerah Salah Cerah Salah Cerah Salah Cerah Salah Cerah Benar Cerah Salah Cerah Salah Cerah Salah Tabel 2. Perbandingan hasil perkiraan cuaca dengan cuaca yang sebenarnya. Jumlah Benar 15 Jumlah Salah 37 Error (%) Gambar 2. Grafik 3D angin terhadap tekanan dan suhu Gambar 3. Grafik 3D cuaca terhadap kelembapan dan angin

4 Gambar 4. Grafik 3D cuaca terhadap kelembapan dan suhu Gambar 5. Grafik 3D cuaca terhadap angin dan suhu Gambar 8. Grafik cuaca terhadap angin Gambar 6. Grafik angin terhadap suhu Gambar 9. Grafik cuaca terhadap kelembapan Gambar 7. Grafik angin terhadap tekanan Gambar 10. Grafik cuaca terhadap suhu IV. Pembahasan Aspek yang berpengaruh dalam pemodelan perkiraan cuaca ini adalah diantaranya suhu, kelembapan, tekanan, dan kecepatan angin. Sedangkan untuk perkiraan kecepatan angin aspek yang berpengaruh adalah tekanan dan suhunya saja.

5 Hasil pemodelan perkiraan cuaca dan kecepatan angin di Kota Cirebon - Jawa Barat, Indonesia terlihat sangat berbeda dari yang sebenarnya dengan error berturut-turut sebesar % dan % 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] diakses pada :06 [2] y-logic/code-examples.html, diakses pada :15 [3] diakses pada :15

6 LAMPIRAN Data cuaca Kota Cirebon tanggal april suhu kelembapan tekanan ( o C) kecepatan angin (mph) (%) (mb) cuaca tinggi cerah tinggi hujan sedang hujan sedang cerah sedang cerah tinggi hujan tinggi hujan sedang hujan sedang hujan tinggi hujan sedang hujan lebat tinggi hujan lebat sedang hujan sedang hujan sedang hujan lebat sedang cerah sangat tinggi cerah sedang hujan sedang hujan tinggi hujan tinggi cerah tinggi hujan sedang hujan sedang cerah tinggi cerah tinggi cerah sedang hujan sedang cerah tinggi cerah tinggi hujan lebat tinggi hujan lebat sedang hujan lebat sedang ceraah sedang hujan lebat \

7 sedang hujan sedang cerah sedang cerah sangat tinggi hujan lebat sedang hujan lebat sedang hujan sedang cerah tinggi hujan lebat sedang hujan lebat sedang hujan sedang cerah tinggi hujan lebat sedang hujan lebat sedang hujan sedang cerah sangat tinggi hujan lebat tinggi hujan lebat sedang hujan lebat