13 Penggunaan Artificial Neuro Fuzzy Inference Sistem (ANFIS) Dalam Penentuan Status Aktivitas Gunung Merapi
13 Penggunaan Artificial Neuro Fuzzy Inference Sistem (ANFIS) Dalam Penentuan Status Aktivitas Gunung Merapi
I. PENDAHULUAN
UNUNG Merapi
114
struktur ini, sistem inferensi fuzzy yang diterapkan
adalah inferensi fuzzy model Takagi-Sugeno-Kang [11]
[12].
x y
A1
x
A2
B1
Lapisan 5
Lapisan Total Output
Lapisan 3
Lapisan Normalisasi
Lapisan 2
Lapisan Produk
B2
(, , , ) =
2
1+
(1)
() =
()2
22
(2)
(3)
3, =
5, =
x y
Lapisan 4
Lapisan Defuzzyfikasi
Lapisan 1
Lapisan Fuzzy
(5)
O4,i = O3,i (4,i = O3,i ( x) + y + )
dengan i, i and i adalah linier parameter konsekuen
kesesuaian node i.
1 +2
(4)
(6)
Tetap
EBP
LSE
Tetap
Keluaran simpul
Sinyal kesalahan
115
pada masing masing periode akan dilakukan proses
fuzzyfikasi. Proses ini adalah untuk memetakan inputan
data kedalam himpunan fuzzy sesuai dengan klasifikasi
yang dipilih (pada proyek akhir ini hanya menggunakan
dua jenis himpunan fuzzy yaitu: tinggi dan rendah).
Dalam proses ini inputan akan dilakukan perhitungan
fungsi keanggotaan fuzzy untuk mentransformasi
masukan himpunan klasik (crisp) ke derajat tertentu.
Fungsi keanggotaan yang digunakan adalah jenis
gaussian dimana pada fungsi keanggotaan ini terdapat
dua parameter yaitu mean dan varian, parameter
tersebut dalam metode ANFIS disebut sebagai
parameter premis.
X(jum periode......X(jum data)
mx1
Pers. 3
X(i)
Pers. 5
Pers. 4
mx2
SUM
my1
X
(periode)
Pers. 3
my2
fuzzyfikasi
Lapisan 1
Lapisan 2
Lapisan 5
Lapisan 4
(7)
(1 2 )2
, = 1,2
1 (, ) = 2 () (, ), = 1,2 = 1,2
w1
wt1
O41
SUM
my1
wt2
(9)
(10)
(, ) = 1 (, ) 2 (, )
(,)
2
(,)
(11)
(12)
(, ) = 1 (, ) 2 (, )
(,)
(13)
mx2
w2
(8)
(,)
mx1
X
(periode)
X(i)
2 () = 3 ()
Lapisan 3
()2
Pers. 5
Pers. 4
O42
_ = +
(14)
my2
fuzzyfikasi
Lapisan 1
Lapisan 2
Lapisan 3
Lapisan 4
Lapisan 5
116
dan geokimia Gunung Merapi yang diperoleh dari Balai
Penyelidikan
dan
Pengembangan
Teknologi
Kegunungapian (BPPTK) Yogyakarta. Data yang telah
diperoleh dibagi menjadi dua bagian, pertama sebagai
data pelatihan jaringan, dan kedua sebagai data
pengujian. Data pelatihan menggunakan periode data
prekursor erupsi Gunung Merapi tahun 1997, 1998,
2001, dan 2006. Data pengujian menggunakan data
prekursor erupsi Gunung Merapi tahun 2010.
B. Metode Penelitian
Mulai
Penelitian Awal
Pengumpulan dan
Pengolahan Data
Pembuatan Program
Neuro-Fuzzy
Pelatihan ANFIS
Optimal?
Y
Kesimpulan
Selesai
Gb. 4. Diagram alir metode penelitian
A. Proses pelatihan
Pengujian pengaruh laju pembelajaran () terhadap
jumlah epoch yang diperlukan untuk mencapai root
mean square error (RMSE) sebesar 0,081214 diberikan
dalam Tabel II.
TABEL II
PENGARUH LAJU PEMBELAJARAN TERHADAP RMSE
0,1
0,01
0,001
0,0001 0,00001
0,0812
(a) = 0,1
117
pembelajaran terhadap RMSE yang ditunjukkan pada
Gb. 5.
pada Gb. 6.
(c) = 0,001
(d) = 0,0001
118
Merapi mengalami penurunan yang cukup tinggi setelah
terjadinya erupsi.
Pada dasarnya peramalan dengan data time series
dengan ANFIS akan bekerja dengan baik jika data yang
digunakan mempunyai pola yang teratur. Dalam
penelitian ini data yang digunakan mempunyai pola
yang memiliki deviasi yang cukup tinggi secara statistik
sehingga ANFIS memberikan rata-rata kesalahan yang
masih cukup tinggi, yaitu MAPE hasil pengujian
sebesar 10,2041%.
VI. KESIMPULAN
Berdasarkan pembahasan mengenai model neuro
fuzzy, yaitu model ANFIS (adaptive neuro fuzzy
inference sistem) yang diaplikasikan untuk menentukan
status aktivitas gunung Merapi, maka dapat diambil
kesimpulan sebagai berikut: laju pembelajaran yang
digunakan ANFIS untuk mendapatkan RMSE dan
epoch yang optimal sebesar 0,00001 yang menghasilkan
RMSE sebesar 0,081109 dan MAPE sebesar 15,2084%,
sedangkan pada proses pengujian dihasilkan MAPE
sebesar 10,2041%.
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
BPPTK,
Informasi
MerapiPemantauan,
merapi.bgl.esdm.go.id. Diakses tanggal 20 Juni 2011.
R.S.J Sparks, Forecasting Volcanic Eruptions, Earth and
Planetary Science Letters 210, 2003.
F. Brenguier, N. M. Shapiro, M. Campillo, dkk, Towards
Forecasting Volcanic Eruptions using Seismic Noise, Letters,
Grenoble, 2008, Page: 1-5.
W. Marzocchi , L. Sandri , dan J. Selva, BET_EF: a
Probabilistic Tool for Long-and Short-Term Eruption
Forecasting, Istituto Nazionale di Geofisica e Vulcanologia,
Bologna, 2007.
N. Dashore, G. Upadhyaya, dan K. Vyas, Fuzzy Logic Based
Model for Predicting Volcanic Activity, Indian Journal of
Science and Technology, Indore, Vol. 3 No. 7, 2010, Page: 759763.
A. Rahman, A.G. Abdullah, dan D.L. Hakim, Prakiraan Beban
Puncak Jangka Panjang pada Sistem Kelistrikan Indonesia
Menggunakan Algoritma Adaptive Neuro-Fuzzy Inference
Sistem, Electrans, Vol.11, No.2, September 2012 , 18 -26.
B. S. Putra, R. S.Wahono, dan R. I. Akbar, Simulasi Penerapan
Anfis pada Sistem Lampu Lalu Lintas Enam Ruas, Jurnal
Ilmiah Kursor Vol. 6, No. 2, Juli 2011.
R. Setyaningrum, Kemampuan Expert Sistem-Anfis untuk
Diagnosa Kesehatan Pekerja Industri Dan Mencari Solusinya,
Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI
2007)
D. Septiadi, Aplikasi Soft Computing pada Prediksi Curah
Hujan Di Kalimantan, Jurnal Meteorologi Dan Geofisika, Vol.
9 No.1 Juli 2008 : 65 77.
S. Hartati, dan S. Kusumadewi, 2006, Neuro-Fuzzy Integrasi
Sistem Fuzzy dan Jaringan Syaraf, Graha Ilmu, Yogyakarta.
Jang, J.-S. R, 1993, ANFIS: Adaptive-network-based fuzzy
inference sistems, IEEE Trans. on Sistems, Man and
Cybernetics, 23(03):665-685.
A. Fariza, A. Helen, dan A. Rasyid, 2007, Performansi Neuro
Fuzzy untuk Peramalan Data Time Series, SNATI 2007.