SEMINAR HASIL TUGAS AKHIR LOGO PREDIKSI KECEPATAN ANGIN DI SUMENEP MENGGUNAKAN MIXTURE OF ANFIS Oleh: SYARIFAH DIANA PERMAI (307 00 0) PEMBIMBING: Prof. Drs. NUR IRIAWAN, M.Ikom, PhD Dr. IRHAMAH, S.Si, M.Si
DAMPAK KECEPATAN ANGIN 2
ANGIN 3
PENELITIAN SEBELUMNYA Kecepatan Angin. Irhamah, dkk (200) menggunakan metode AI (Arificial Intelligence) yaitu Algoritma Genetika PENELITIAN SEBELUMNYA ANFIS. James dan Castellanos (2009) kecepatan angin 2. Faulina (20) kecepatan angin di Sumenep Mixture of ANFIS. Benhammadi, dkk (200) penelitian pada data CPU load 4
RUMUSAN MASALAH Bagaimana pemodelan dan prediksi kecepatan angin di Sumenep dengan metode ANFIS? 2 Bagaimana pemodelan dan prediksi kecepatan angin di Sumenep dengan metode Mixture of ANFIS? 3 Bagaimana perbandingan hasil prediksi kecepatan angin di Sumenep dengan metode ANFIS dan Mixture of ANFIS? 5
BATASAN MASALAH. Analisis kecepatan angin di Sumenep tidak mempertimbangkan variabel-variabel lain yang dapat mempengaruhi tinggi dan rendahnya kecepatan angin. 2. Membership function yang digunakan pada analisis ANFIS bertipe Gaussian dan sebanyak dua membership function. 3. Pengelompokan yang dilakukan pada analisis menggunakan Mixture of ANFIS dibatasi sampai dengan enam cluster. 6
Adaptive Neuro Fuzzy Inference System (ANFIS) Layer Layer 2 Layer 3 Layer 4 Layer 5 A Π N x A 2 B Π 2 N 2 2 Π 3 N 3 3 Σ x 2 B 2 Π 4 N 4 4 (James dan Castellanos, 2009) 7
Mixture of ANFIS DATA KECEPATAN ANGIN (Benhammadi dkk, 200) Mengelompokan menggunakan FCM CLUSTER ANFIS Probabilitas State Transition CLUSTER J ANFIS J P(CSt=) P(CSt=J) OUTPUT MIXTURE 8
Kecepatan Angin Angin merupakan gerakan udara mendatar dengan permukaan bumi yang terjadi karena adanya perbedaan tekanan antara satu tempat dengan tempat yang lain. Perbedaan tekanan diakibatkan adanya perbedaan suhu karena intensitas radiasi matahari yang berbeda di tiap wilayah. Semakin besar beda tekanannya maka semakin besar pula kecepatan anginnya (Yani dan Rahmat, 2007). 9
SUMBER DATA Data sekunder yaitu data kecepatan angin yang diukur oleh Badan Meteorologi dan Geofisika Kalianget, Sumenep. Data yang digunakan dari bulan Januari 2009 - Desember 200. 0
VARIABEL PENELITIAN KECEPATAN ANGIN RATA- RATA PERHARI (KNOT) Januari 2009- November 200 Desember 200
METODE ANALISIS ANFIS Mulai B Menentukan input ANFIS berdasarkan model AR yang signifikan Melakukan algoritma hybrid dengan LSE dan Backpropogation Menentukan banyaknya membership function (mf) Mendapatkan inisialisasi parameter non linier Menentukan banyaknya epoch Mendapatkan parameterparameter non linier dan linier Mendapatkan nilai prediksi ANFIS Mendapatkan banyaknya rule Menghitung residual in sample B Menghitung RMSE in sample 2
METODE ANALISIS MIXTURE Mulai Data in sampel Kecepatan angin Mengelompokkan menggunakan FCM cluster Mendapatkan sebanyak J cluster... cluster J ANFIS ANFIS J Menghitung probabilitas state transition P(CS t =)... P(CS t = J) Mengalikan y(t) dengan P(CS t = j) 3
ANALISIS DESKRIPTIF KECEPATAN ANGIN RATA-RATA JANUARI 2009- DESEMBER 200 Tahun Bulan Mean variance Min Median Maks Januari 7,097 0,49 2 7 5 Februari 7,43 24,349 2 5,5 22 Maret 2,903,09 3 5 April 3,867 4,89 3 7 Mei 4,387 3,52 2 4 9 Juni 6,467 2,2 4 7 0 2009 Juli 7,742 4,398 4 7 2 Agustus 8,355 2,437 5 8 3 200 September 7, 3,472 4 7 Oktober 7,258 3,798 3 7 2 November 5,767 9,702 2 4 Desember 3,63 4,045 3 3 Januari 6,065 4,262 2 4 5 Februari 2,929 0,884 2 3 5 Maret 2,87 0,783 2 3 5 April 2,533 0,74 2 5 Mei 3,87 3,583 3 8 Juni 4,8 3,752 4,5 8 Juli 5,935 6,262 2 6 Agustus 6,645 2,903 4 7 0 September 5,233 4,668 5,5 9 Oktober 4,56 4,25 2 4 0 November 3,8,2 2 4 6 Desember 5,452 6,656 5 4 4
Identifikasi Stasioner T i m e S e r i e s P l o t o f K e c e p a ta n A n g i n B o x -C o x P l o t o f K e c e p a ta n A n g i n 2 5 6 L o w e r C L U p p e r C L L a m b d a 2 0 4 ( u sin g 95,0% c o n fid e n c e ) E stim a te 0,4 Ke c e p a t a n A n g in 5 0 S t D e v 2 0 8 6 L o w e r C L 0,27 U p p e r C L 0,53 R o u n d e d V a lu e 0,50 4 5 2 Lim it 0 7 0 4 0 2 0 2 8 0 3 5 0 In d e x 4 2 0 4 9 0 5 6 0 6 3 0 0-2 - 0 2 L a m b d a 3 4 5 A u to c o r r e l a ti o n F u n c ti o n f o r T r a n s f o r m a s i _ K e c e p a ta n a n g i n ( w ith 5 % s ig n ific a n c e lim its fo r th e a u to c o r r e la tio n s ),0 0,8 0,6 A u t o c o r r e la t io n 0,4 0,2 0,0-0,2-0,4-0,6-0,8 -,0 5 0 5 2 0 2 5 3 0 3 5 4 0 4 5 5 0 5 5 6 0 6 5 7 0 L a g 5
Identifikasi Model ARIMA A u to c o r r e l a ti o n F u n c ti o n f o r D i f f e r e n c i n g ( w ith 5 % s ig n ific a n c e lim its fo r th e a u to c o r r e la tio n s ) P a r ti a l A u to c o r r e l a ti o n F u n c ti o n f o r D i f f e r e n c i n g ( w ith 5 % s ig n ific a n c e lim its fo r th e p a r tia l a u to c o r r e la tio n s ),0,0 0,8 0,8 A u t o c o r r e la t io n 0,6 0,4 0,2 0,0-0,2-0,4-0,6 P a r t ia l A u t o c o r r e la t io n 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-0,8 -,0 -,0 5 0 5 2 0 2 5 3 0 3 5 L a g 4 0 4 5 5 0 5 5 6 0 6 5 7 0 5 0 5 2 0 2 5 3 0 3 5 L a g 4 0 4 5 5 0 5 5 6 0 6 5 7 0 ARIMA ([,3],,) 6
Parameter Anfis Input Z t- dan Z t-3 MF parameter input Z t- Z t-3 c -,779 -,404 σ 0,7677,489 2 c 2,543 2,366 σ 0,726,8 aturan p q r -0,4953-0,376-0,79 2-0,75-0,03373 0,639 3-3,243,743 5,7 4 2,648 3,862-7,575 7
Mixture of ANFIS dua cluster Statistika Deskriptif Variabel N Mean Std Deviasi Median Min Maks Kelompok 4 3,322,0928 3 5 Kelompok 2 288 8,03 2,088 7 6 22 8
KELOMPOK Identifikasi Stasioner T i m e S e r i e s P l o t o f k e l o m p o k B o x -C o x P l o t o f k e l o m p o k 5 9 L o w e r C L U p p e r C L L a m b d a ( u sin g 95,0% c o n fid e n c e ) 8 E stim a te 0,86 4 7 L o w e r C L 0,58 U p p e r C L,8 ke lo m p o k 3 S t D e v 6 5 4 R o u n d e d V a lu e,00 2 3 2 0 Lim it 4 8 2 2 3 6 4 2 0 5 2 4 6 2 8 7 3 2 8 3 6 9 4 0-5,0-2,5 0,0 2,5 5,0 In d e x L a m b d a 9
MODEL ARIMA KELOMPOK A u to c o r r e l a ti o n F u n c ti o n f o r k e l o m p o k ( w ith 5 % s ig n ific a n c e lim its fo r th e a u to c o r r e la tio n s ) P a r ti a l A u to c o r r e l a ti o n F u n c ti o n f o r k e l o m p o k ( w ith 5 % s ig n ific a n c e lim its fo r th e p a r tia l a u to c o r r e la tio n s ),0,0 0,8 0,8 A u t o c o r r e la t io n 0,6 0,4 0,2 0,0-0,2-0,4-0,6 P a r t ia l A u t o c o r r e la t io n 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8 -,0-0,8 -,0 5 0 5 2 0 2 5 3 0 L a g 3 5 4 0 4 5 5 0 5 5 6 0 6 5 5 0 5 2 0 2 5 3 0 L a g 3 5 4 0 4 5 5 0 5 5 6 0 6 5 ARIMA(,0,) 20
ANFIS KELOMPOK 2 MF Input Z t- c,9 σ,57 c 5,69 σ 0,547 Aturan parameter p q 0,29 2,457 2-8,985 48,78 2
KELOMPOK 2 Identifikasi Stasioner T i m e S e r i e s P l o t o f k e l o m p o k 2 B o x -C o x P l o t o f k e l o m p o k 2 2 2,5 4,0 L o w e r C L U p p e r C L L a m b d a 2 0,0 3,5 ( u sin g 95,0% c o n fid e n c e ) E stim a te -,03 ke lo m p o k 2 7,5 5,0 2,5 S t D e v 3,0 2,5 L o w e r C L -,62 U p p e r C L - 0,52 R o u n d e d V a lu e -,00 0,0 2,0 7,5,5 5,0 2 9 5 8 8 7 6 4 5 In d e x 7 4 2 0 3 2 3 2 2 6,0-5,0-2,5 0,0 L a m b d a 2,5 5,0 Lim it 22
MODEL ARIMA KELOMPOK 2 A u to c o r r e l a ti o n F u n c ti o n f o r tr a n s _ k e l o m p o k 2 ( w ith 5 % s ig n ific a n c e lim its fo r th e a u to c o r r e la tio n s ) P a r ti a l A u to c o r r e l a ti o n F u n c ti o n f o r tr a n s _ k e l o m p o k 2 ( w ith 5 % s ig n ific a n c e lim its fo r th e p a r tia l a u to c o r r e la tio n s ),0,0 0,8 0,8 A u t o c o r r e la t io n 0,6 0,4 0,2 0,0-0,2-0,4-0,6 P a r t ia l A u t o c o r r e la t io n 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8 -,0-0,8 -,0 5 0 5 2 0 2 5 3 0 L a g 3 5 4 0 4 5 5 0 5 5 6 0 5 0 5 2 0 2 5 3 0 L a g 3 5 4 0 4 5 5 0 5 5 6 0 ARIMA([6],0,4) 23
ANFIS KELOMPOK 2 2 MF Input Z t-6 c 0,03863 σ 0,0757 c 0,409 σ 0,05444 aturan p q -2,597 0,2724 2-0,287 0,244 24
MIXTURE OF ANFIS DUA KELOMPOK P(CS t = ) 0,7072 P(CS t = 2) 0,46854 Variabel Mean Median Var Min Maks RMSE Residual 2,404 2,2054 5,2975 -,757 8,494 3,327 6 0 H i s to g r a m o f R e s i d u a l M i x tu r e D u a K e l o m p o k 4 0 2 0 Fr e q u e n c y 0 0 8 0 6 0 4 0 2 0 0 0 3 6 9 2 5 8 R e s id u a l M ixt u r e D u a Ke lo m p o k 25
Mixture of ANFIS Cluster Mean Median Var Min Maks RMSE 2 2,404 2,2054 5,2975 -,757 8,494 3,327 3,9054,366 6,834 -,358 6,246 3,33 4,9283,3046 5,0284-0,5742 5,469 2,9924 5,5063,3965 4,63-0,6035 20,86 2,5258 6,08,886 4,544 -,4059 20,272 2,3883 26
Perbandingan ANFIS dan Mixture of ANFIS Kriteria Metode ANFIS Mixture of ANFIS RMSE in sample 3,842 2,3883 RMSE out sample 3,732 2,6777 27
KESIMPULAN ANFIS menghasilkan empat aturan dan 20 parameter. RMSE in sample sebesar 3,842. epoch sebanyak 70 Mixture of ANFIS Nilai RMSE minimum sebesar 2,3883 diperoleh ketika banyaknya cluster enam Perbandingan metode mixture of ANFIS lebih akurat dalam memprediksi kecepatan angin rata-rata di Sumenep 28
SARAN. Banyaknya membership function 2. Tipe membership function 3. Melakukan forecast dengan langkah: a.meramalkan cluster berdasarkan probabilitas state transition b.melakukan analisis ANFIS sesuai dengan clusternya 29
30 LOGO
SEMINAR HASIL TUGAS AKHIR LOGO PREDIKSI KECEPATAN ANGIN DI SUMENEP MENGGUNAKAN MIXTURE OF ANFIS SYARIFAH DIANA PERMAI (307 00 0) PEMBIMBING: Prof. Drs. NUR IRIAWAN, M.Ikom, PhD Dr. IRHAMAH, M.Si, S.Si 3
ANFIS (James dan Castellanos, 2009) Layer : O 2,i = μ Ai (x ) untuk i=,2 O 2,i = μ Bi-2 (x 2 ) untuk i=3,4 Layer 2: O 3,i = w i = μ Ai (x ) μ Bi (x 2 ) untuk i=,2,3,4 Layer 3: Layer 4: Layer 5: 32
Forecast Kecepatan Angin menggunkan Mixture dua cluster t kelompok input miu A miu B W W2 output data cek residual RMSE out 700 2,5635 0,567900675 0,027554857 0,56790 0,027555 2,42409 4,57598,867209 70 2,42409 0,68808402 0,025295583 0,68808 0,025296 2,532049 3 0,46795 702 2,532049 0,57847620 0,027048302 0,578476 0,027048 2,446293 4,553707 703 2,446293 0,60326826 0,02564287 0,60327 0,025643 2,53928 4,486072 704 2,53928 0,58509629 0,02674947 0,585096 0,026742 2,460288 4,53972 705 2,460288 0,605040593 0,025864706 0,60504 0,025865 2,502655 4,497345 706 2,502655 0,589245206 0,026553945 0,589245 0,026554 2,469077 6 3,530923 33