MODUL 8 APLIKASI NEURAL NETWORK DAN FUZZY LOGIC PADA PERKIRAAN CUACA Muhammad Ilham 10211078 Program Studi Fisika, Institut Teknologi Bandung, Indonesia Email: muhammad_ilham@students.itb.ac.id Asisten: Fauzia P. Lestari / 10210085 Ulin Nuha / 10210095 Andromeda / 10210097 Tanggal Praktikum: (24-04-2014) 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.
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 10-6. 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 1 2.23 Sedang salah 2 1.89 Sedang salah 3 2.02 Sedang benar 4 2.45 Sedang benar 5 2.23 Sedang benar 6 1.88 Sedang salah 7 2.02 Sedang salah 8 2.7 Sedang benar 9 2.16 Sedang benar 10 1.88 Sedang salah 11 2.02 Sedang Benar 12 2.7 Sedang Salah 13 1.91 Sedang Benar 14 2.38 Sedang Benar 15 2.16 Sedang Benar 16 1.88 Sedang Benar 17 1.88 Sedang Salah 18 2.08 Sedang Benar 19 2.05 Sedang Benar 20 1.88 Sedang Salah 21 1.91 Sedang Salah 22 2.11 Sedang Salah 23 1.91 Sedang Benar 24 2.05 Sedang Benar 25 2.31 Sedang Salah 26 1.88 Sedang Salah 27 1.91 Sedang Benar 28 2.38 Sedang Benar 29 2.31 Sedang Salah 30 1.88 Sedang Salah 31 1.88 Sedang Salah 32 1.91 Sedang Benar 33 2.08 Sedang Benar 34 2.02 Sedang Benar 35 1.91 Sedang Benar 36 1.88 Sedang Benar 37 2.16 Sedang Benar 38 1.88 Sedang Salah 39 2.08 Sedang Benar 40 2.02 Sedang Benar 41 1.88 Sedang Benar 42 1.91 Sedang Salah 43 2.38 Sedang Benar 44 2.16 Sedang Benar 45 1.88 Sedang Benar 46 2.02 Sedang Salah 47 2.38 Sedang Benar 48 2.02 Sedang Benar 49 1.88 Sedang Benar 50 2.16 Sedang Salah 51 1.91 Sedang Salah 52 2.08 Sedang benar Tabel 1. Perbandingan hasil perkiraan Kecepatan angin dengan yang sebenarnya.
Jumlah Benar 32 Jumlah Salah 20 Error (%) 38.4653 No. Cuaca Hasil 1 0.483 Cerah Benar 2 0.236 Cerah Salah 3 0.352 Cerah Salah 4 0.427 Cerah Benar 5 0.362 Cerah Benar 6 0.229 Cerah Salah 7 0.469 Cerah Salah 8 0.422 Cerah Salah 9 0.347 Cerah Salah 10 0.254 Cerah Salah 11 0.376 Cerah Salah 12 0.543 Hujan Salah 13 0.343 Cerah Salah 14 0.213 Cerah Salah 15 0.365 Cerah Salah 16 0.435 Cerah Benar 17 0.211 Hujan Salah 18 0.542 Cerah Salah 19 0.219 Cerah Salah 20 0.354 Hujan Benar 21 0.376 Hujan Salah 22 0.487 Cerah Salah 23 0.221 Cerah Salah 24 0.488 Cerah Benar 25 0.266 Cerah Benar 26 0.329 Cerah Benar 27 0.225 Cerah Salah 28 0.482 Cerah Salah 29 0.379 Cerah Salah 30 0.454 Cerah Salah 31 0.368 Cerah Salah 32 0.266 Cerah Salah 33 0.239 Cerah Salah 34 0.432 Cerah Salah 35 0.278 Cerah Salah 36 0.435 Cerah Benar 37 0.482 Cerah Benar 38 0.365 Cerah Salah 39 0.425 Cerah Salah 40 0.368 Cerah Salah 41 0.231 Cerah Benar 42 0.393 Cerah Salah 43 0.376 Cerah Salah 44 0.368 Cerah Salah 45 0.238 Cerah Salah 46 0.486 Cerah Salah 47 0.481 Cerah Salah 48 0.423 Cerah Salah 49 0.368 Cerah Benar 50 0.238 Cerah Salah 51 0.486 Cerah Salah 52 0.481 Cerah Salah Tabel 2. Perbandingan hasil perkiraan cuaca dengan cuaca yang sebenarnya. Jumlah Benar 15 Jumlah Salah 37 Error (%) 71.1538 Gambar 2. Grafik 3D angin terhadap tekanan dan suhu Gambar 3. Grafik 3D cuaca terhadap kelembapan dan angin
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.
Hasil pemodelan perkiraan cuaca dan kecepatan angin di Kota Cirebon - Jawa Barat, Indonesia terlihat sangat berbeda dari yang sebenarnya dengan error berturut-turut sebesar 71.154% dan 38.461% 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] http://www.worldweatheronline.com/, diakses pada 29-04-2014 9:06 [2]http://www.mathworks.com/products/fuzz y-logic/code-examples.html, diakses pada 29-04-2014 10:15 [3] http://en.wikipedia.org/wiki/fuzzy_logic, diakses pada 29-04-2014 09:15
LAMPIRAN Data cuaca Kota Cirebon tanggal 14-26 april suhu kelembapan tekanan ( o C) kecepatan angin (mph) (%) (mb) cuaca 1 27 4 tinggi 86 1011 cerah 2 32 4 tinggi 66 1010 hujan 3 27 2 sedang 79 1010 hujan 4 24 2 sedang 82 1011 cerah 5 27 2 sedang 81 1011 cerah 6 33 5 tinggi 62 1009 hujan 7 27 4 tinggi 82 1010 hujan 8 25 2 sedang 86 1012 hujan 9 28 2 sedang 86 1011 hujan 10 32 5 tinggi 67 1009 hujan 11 27 2 sedang 86 1010 hujan lebat 12 25 4 tinggi 88 1012 hujan lebat 13 28 2 sedang 84 1011 hujan 14 33 3 sedang 63 1008 hujan 15 27 1 sedang 86 1008 hujan lebat 16 25 3 sedang 88 1010 cerah 17 26 6 sangat tinggi 82 1010 cerah 18 33 3 sedang 64 1009 hujan 19 27 2 sedang 85 1009 hujan 20 24 5 tinggi 88 1010 hujan 21 26 5 tinggi 80 1010 cerah 22 33 4 tinggi 60 1009 hujan 23 27 2 sedang 82 1009 hujan 24 25 1 sedang 85 1011 cerah 25 26 4 tinggi 80 1011 cerah 26 34 4 tinggi 56 1008 cerah 27 27 3 sedang 84 1009 hujan 28 25 2 sedang 86 1010 cerah 29 27 4 tinggi 84 1010 cerah 30 32 5 tinggi 68 1008 hujan lebat 31 27 4 tinggi 88 1008 hujan lebat 32 25 3 sedang 89 1010 hujan lebat 33 27 2 sedang 84 1010 ceraah 34 32 3 sedang 70 1009 hujan lebat \
35 27 3 sedang 86 1009 hujan 36 25 2 sedang 90 1011 cerah 37 28 3 sedang 82 1011 cerah 38 32 6 sangat tinggi 68 1009 hujan lebat 39 27 3 sedang 86 1010 hujan lebat 40 25 2 sedang 87 1011 hujan 41 27 2 sedang 83 1010 cerah 42 33 5 tinggi 66 1008 hujan lebat 43 27 2 sedang 86 1009 hujan lebat 44 25 1 sedang 88 1010 hujan 45 27 2 sedang 86 1010 cerah 46 33 5 tinggi 68 1007 hujan lebat 47 27 2 sedang 87 1008 hujan lebat 48 25 1 sedang 88 1010 hujan 49 27 2 sedang 83 1010 cerah 50 33 6 sangat tinggi 69 1008 hujan lebat 51 27 4 tinggi 87 1009 hujan lebat 52 25 3 sedang 88 1011 hujan lebat