Anda di halaman 1dari 22

BAB 2

LANDASAN TEORI
Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang
berhubungan dengan penerapan metode weighted evolving fuzzy neural network untuk
prediksi curah hujan.

2.1 Prediksi Curah Hujan


Dalam peramalan dikenal istilah prakiraan dan prediksi. Prakiraan adalah sebagai
proses peramalan suatu variabel sebagai contoh curah hujan di masa datang dengan
berdasarkan data curah hujan pada masa sebelumnya. Menggabungkan dan mengolah
data masa lampau secara sistematik dengan suatu metode tertentu untuk menghasilkan
prakiraan keadaan pada masa datang. Prediksi adalah proses peramalan suatu variabel
di masa datang dengan lebih mendasarkan pada pertimbangan intuisi daripada data
masa lampau, meskipun lebih menekankan pada intuisi, dalam prediksi juga sering
digunakan data kuantitatif sebagai pelengkap informasi dalam melakukan peramalan
(Herjanto, 2006).
Menurut sumber peramalannya, peramalan dapat dikelompokkan sebagai
berikut (Heizer, 2005):
1. Model Data Times Series atau Runtun Waktu
Model data time series adalah suatu jenis peramalan secara kuantitatif dengan
menggunakan waktu sebagai dasar peramalan. Model time series sering disebut
model kuantitatif intrinsik. Model peramalan deret waktu seperti itu bertujuan
untuk menemukan pola dalam deret data historis dan mengekstrapolasikan pola
dalam deret data tersebut ke pola data masa depan.
2. Model Data Causal
Model data causal adalah model peramalan yang menggunakan hubungan sebab-
akibat sebagai asumsi, yaitu bahwa apa yang terjadi di masa lalu akan terulang
pada saat ini. Model ini merupakan teknik peramalan kuantitatif ekstrensik yang
sesuai untuk pengambilan keputusan dan kebijakan.

Universitas Sumatera Utara


7

3. Model Data Judgemental


Bila model peramalan time series dan causal bertumpu pada data kuantitatif, pada
model judgemental faktor-faktor kualitatif/subjektif dimasukkan ke dalam metode
peramalan. Secara khusus berguna bilamana faktor-faktor subjektif yang
diharapkan menjadi sangat penting dan data kuantitatif yang akurat sudah
diperoleh.
2.2 Intensitas Curah Hujan
Hujan merupakan jatuhnya hydrometeor yang berupa partikel-partikel air dengan
diameter 0,5 mm atau lebih. Jika jatuhnya ketanah maka disebut hujan, akan tetapi
jika apabila jatuhnya tidak dapat mencapai tanah karena menguap lagi maka jatuhan
tersebut disebut virga. Hujan juga dapat didefinisikan dengan uap yang
mengkodensasi dan jatuh ke tanah dalam rangkaian hidrologi (Sosrodarsono, 2003).
Penguapan terjadi pada tiap keaadaan suhu sampai udara diatas permukaan
menjadi jenuh dengan uap. Tetapi kecepatan dan jumlah penguapan tergantung dari
suhu, kelembaban, kecepatan angin, dan tekanan udara (Sosrodarsono, 2003).
Kelembaban merupakan massa uap yang terdapat dalam 1 udara, kerapatan
uap disebut kelembaban mutlak (absolute). Kelembaban ralatif adalah perbandingan
massa uap dalam suatu satuan volume dan massa uap yang jenuh dalam satuan
volume itu pada suhu yang sama. Kelembapan ralatif dinyatakan dalam %
(Sosrodarsono, 2003).
Intensitas curah hujan adalah besaran curah hujan dalam suatu satuan waktu.
Satuan yang digunakan mm/jam. Keadaaan curah hujan dan intensitas curah hujan
dapat dilihat pada tabel 2.1

Universitas Sumatera Utara


8

Tabel 2.1 Keadaan curah hujan dan intensitas curah hujan (Sosrodarsono, 2003)
Intensitas curah hujan (mm)
Keadaan curah hujan
1 jam 24 jam
Hujan sangat ringan <1 <5
Hujan ringan 1-5 5-20
Hujan normal 5-20 20-50
Hujan lebat 10-20 50-100
Hujan sangat lebat >20 >100

Nama dari butiran hujan berdasarkan dari ukurannya. Dalam meteorologi,


butir hujan dengan diameter lebih besar dari 0,5 mm disebut hujan dan diameter antara
0,50-0,1 mm disebut gerimis (drizzle). Makin besar ukuran butir hujan, makin besar
kecepatan jatuhnya. Kecepatan yang maksimum adalah kira-kira 9,2 m/det. Pada
Tabel 2.2 menunjukkan jenis curah hujan , ukuran-ukuran butir hujan, massa dan
kecepatan jatuh butir hujan.

Tabel 2.2 Ukuran, massa dan kecepatan jatuh butir hujan(Sosrodarsono, 2003).
Diameter bola Massa Kecepatan jatuh
Jenis
(mm) (mg) (m/sec)
Hujan gerimis 0,15 0,0024 0,5
Hujan halus 0,5 0,065 2,1
Hujan normal lemah 1 0,52 4,0
Hujan normal deras 2 4,2 6,5
Hujan sangat deras 3 14 8,1

2.3 Logika Fuzzy


Fuzzy logic merupakan salah satu cara untuk memetakan suatu ruang input ke ruang
output. Konsep fuzzy logic yang sangat sistematis pertama kali diusulkan oleh Lotfi A.
Zadeh (Palit, 2005). Pada himpunan crisp, anggota himpunan memiliki batasan yang
kaku. Sebagai contoh suatu himpunan konvensional didefinisikan sebagai berikut:
A = {x | x > 6}
Pada persamaan di atas terlihat batasan yang jelas yaitu 6 sehingga jika x lebih
besar dari 6 maka x anggota himpunan A dan jika sebaliknya maka x bukan anggota

Universitas Sumatera Utara


9

himpunan A. Berbeda dengan himpunan crisp, himpunan fuzzy adalah suatu himpunan
tanpa batasan yang kaku. Oleh karena itu transisi dari anggota himpunan ke bukan
anggota himpunan terjadi secara bertahap dan transisi ini diimplementasikan dengan
fungsi keanggotaan himpunan fuzzy (membership function).

2.3.1 Himpunan Fuzzy


Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu
himpunan A, yang sering ditulis dengan [x], memiliki 2 kemungkinan
(Kusumadewi, 2010), yaitu:
1. Satu (1), yang aberarti bahwa suatu item menjadi anggota dalam suatu
himpunan, atau
2. Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu
himpunan.
Himpunan fuzzy memiliki 2 atribut (Kusumadewi, 2010), yaitu:
1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau
kondisi tertentu dengan menggunakan bahasa alami, seperti: Hujan sangat
ringan, Hujan ringan, Hujan Normal, Hujan Lebat, Hujan sangat lebat.
2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu
variabel seperti : 5, 20, 50, 100, dsb.
2.3.2 Fungsi Keanggotaan
Derajat keanggotaan merupakan suatu kurva yang menunjukkan pemetaan titik-titik
input data ke dalam nilai keanggotaannya sering juga disebut dengan fungsi
keanggotaan (membership function) yang memiliki interval antara 0 sampai 1
(Kusumadewi, 2010). Salah satu cara yang dapat digunakan untuk mendapatkan nilai
keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang bisa
digunakan seperti fungsi linear, kurva segitiga, kurva trapesium, dan lain sebagainya.

1. Representasi Linear
Pada representasi linear, pemetaan input ke derajat keanggotannya membentuk
suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik
untuk mendekati suatu konsep yang kurang jelas (Kusumadewi, 2010).
Ada dua keadaan himpunan fuzzy yang linear. Pertama, kenaikan himpunan
dimulai pada nilai domain yang memiliki derajat keanggotaan nol bergerak ke

Universitas Sumatera Utara


10

kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi
(Kusumadewi, 2010). Bentuk grafiknya dapat dilihat pada Gambar 2.1.

Derajat
Keanggotaan
[X]

0
a b

Gambar 2.1 Representasi Linear Naik (Kusumadewi, 2010)


Fungsi Keanggotaan:

[ ] { (2.1)

Contoh 1:
Fungsi keanggotaan untuk himpunan linear naik pada variabel temperature
ruangan seperti terlihat pada Gambar 2.2.
PANAS[32] = (32-25)/(35-25)
= 7/10 = 0,7

0.7

Derajat
Keanggotaan
[X]

0
25 32 35
Temperatur (C)

Gambar 2.2 Himpunan Fuzzy untuk Temperature Naik (Kusumadewi, 2010)

Kedua, merupakan kebalikan yang pertama. Garis lurus dimulai dari nilai domain
dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun
ke nilai domain yang memiliki derajat keanggotaan lebih rendah (Kusumadewi,
2010) yang grafiknya dapat dilihat pada Gambar 2.3.

Universitas Sumatera Utara


11

Derajat
Keanggotaan
[X]

0
a domain b

Gambar 2.3 Representasi Linear Turun (Kusumadewi, 2010)

Fungsi Keanggotaan:

[ ] {

Contoh 2:
Fungsi keanggotaan untuk himpunan linear turun pada variabel temperature
ruangan seperti terlihat pada Gambar 2.4.
DINGIN[20] = (30-20)/(30-15)
= 10/15 = 0,667

DINGIN
1

0.667

Derajat
Keanggotaan
[X]

0
15 20 Temperatur (C) 30

Gambar 2.4 Himpunan Fuzzy untuk Temperature Turun (Kusumadewi, 2010)

2. Representasi Kurva Segitiga


Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linear) seperti
terlihat pada Gambar 2.5.

Universitas Sumatera Utara


12

Derajat
Keanggotaan
[X]

0
a b c
domain

Gambar 2.5 Kurva Segitiga (Kusumadewi, 2010)


Fungsi Keanggotaan:

[ ] { (2.3)

Contoh 3:
Fungsi keanggotaan untuk himpunan kurva segitiga pada variabel temperature
ruangan seperti terlihat pada Gambar 2.6.

NORMAL[23] = (23-15)/(25-15)
= 8/10 = 0,8

NORMAL
1

0.8
Derajat
Keanggotaan
[X]

0
15 23 25 35
Temperatur (C)

Gambar 2.6 Himpunan fuzzy untuk Kurva Segitiga (Kusumadewi, 2010)

Universitas Sumatera Utara


13

3. Representasi Kurva Trapesium


Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa
titik yang memiliki nilai keanggotaan 1 seperti terlihat pada Gambar 2.7.

Derajat
Keanggotaan
[X]

0
a b c d
domain

Gambar 2.7 Kurva Trapesium (Kusumadewi, 2010)

Fungsi Keanggotaan:

[ ] { (2.4)

Contoh 4:
Fungsi keanggotaan untuk himpunan kurva trapesium pada variabel temperature
ruangan seperti terlihat pada Gambar 2.8.
NORMAL[23] = (35-32)/(35-27)
= 3/8 = 0,375

Gambar 2.8 Himpunan fuzzy untuk Kurva Trapesium (Kusumadewi, 2010)

Universitas Sumatera Utara


14

2.3.3 Sistem Inferensi Fuzzy


Sistem inferensi fuzzy adalah sebuah kerangka kerja perhitungan yang berdasar pada
konsep teori himpunan fuzzy, aturan fuzzy if-then, dan pemikiran fuzzy. Sistem
inferensi fuzzy ini telah berhasil diaplikasikan pada berbagai bidang, seperti control
otomatis, klasifikasi data, analisis keputusan, sistem pakar, prediksi time series,
robotika, dan pengenalan pola. Sistem inferensi fuzzy juga dikenal dengan
berbagainama seperti fuzzy rule based system (sistem berbasis aturan fuzzy ), fuzzy
expert system (sistem pakar fuzzy), fuzzy model, fuzzy associative memory, fuzzy
logic controller (pengendalian logika fuzzy), sistem fuzzy sederhana (Jang et al.
1997).
Struktur dasar dari sistem inferensi fuzzy berisi tiga komponen koseptual :
1. Dasar aturan yang mana berisi sebuah pemilihan aturan fuzzy.
2. Database yang mendefinisikan fungsi keanggotaan yang digunakan dalam
aturan fuzzy.
3. Mekanisme pemikiran yang mengerjakan prosedur inferensi terhadap aturan
dan kenyataan yang diketahui untuk menurunkan output atau kesimpulan yang
masuk akal (Castillo et al. 2008).
Sistem inferensi fuzzy dapat mengambil input fuzzy ataupun crisp, tetapi ouputnya
hampir selalu menghasilkan himpunan fuzzy. Untuk mendapatkan nilai crisp
diperlukan suatu metode defuzzifikasi. Secara umum, suatu sistem yang berbasis
fuzzy logic diawali dengan fuzzifikasi yaitu konversi input crisp menjadi fuzzy
berdasarkan fungsi keanggotaan. Pada proses selanjutnya adalah proses inferensi,
proses ini akan memperhitungkan semua aturan pada basis aturan dan menghasilkan
himpunan fuzzy. Proses terakhir adalah defuzzifikasi, proses ini akan menentukan nilai
crisp untuk himpunan fuzzy yang dihasilkan pada proses inferensi (Castillo et al.
2008). Proses fuzzifikasi dapat dilihat pada Gambar 2.9.

Universitas Sumatera Utara


15

Gambar 2.9 Fuzzy Inference System (Jang et al. 1997)


2.3.3.1 Model Fuzzy Mamdani
Sistem inferensi fuzzy mamdani sebagai usaha awal untuk mengendalikan mesin uap
dan kombinasi boiler dengan sebuah himpunan aturan kendali linguistik yang
diperoleh dari pengalaman operator manusia. Gambar 2.10 mengilustrasikan
bagaimana dua aturan sistem inferensi mamdani menurunkan semua output z ketika
ditunjuk oleh dua input crisp x dan y (Kusumadewi, 2010).

Gambar 2.10 Sistem Inferensi Fuzzy Mamdani (Jang et al. 1997)


Pada proses defuzzifikasi mengacu pada cara nilai crisp diekstrak dari sebuah
himpunan fuzzy sabagai nilai representative. Pada umumnya, ada 5 metode untuk
defuzzifikasi sebuah himpunan fuzzy A dari semesta Z (Kusumadewi, 2010) seperti
pada Gambar 2.11.

Universitas Sumatera Utara


16

Gambar 2.11 Defuzzifikasi dari sistem inferensi fuzzy mamdani (Jang et al. 1997)
1. Centroid of area :

(2.5)

Dimana adalah output MF teragregasi.


2. Bisector of Area

(2.6)

Dimana dan . z = membagi daerah


antara z = , z = , y = 0 dan y = ke dalam dua daerah yang sama.
3. Mean of Maximum
adalah rata-rata dari maksimalisasi z pada MF yang mencapai
maksimum

(2.7)

4. Smallest of Maximum
adalah minimum dari maksimasi z.
5. Largest of Maximum
adalah maksimum dari maksimasi z.

2.3.3.2 Model Fuzzy Sugeno


Takagi, Sugeno dan Kang mengusulkan model fuzzy Sugeno dalam usaha membangun
pendekatan sistematis untuk meng-generate aturan fuzzy dari dataset input-output
yang diberikan. Aturan fuzzy tipikal dalam sebuah model fuzzy Sugeno berbentuk,
jika x adalah A dan y adalah B maka z = f(x,y) (Kusumadewi, 2010).

Universitas Sumatera Utara


17

Gambar 2.12 Sistem inferensi Fuzzy Sugeno (Jang et al. 1997)


Fungsi crisp dalam consequent merupakan himpunan fuzzy dalam antecedent,
dapat dilihat pada Gambar 2.12. Sedangkan z = f(x,y). Biasanya f(x,y) adalah sebuah
polynomial dalam variabel input x dan y, tetapi ini dapat menjadi suatu fungsi selama
dapat menjelaskan output model dalam daerah fuzzy yang telah ditentukan oleh aturan
antecedent secara sesuai. Ketika f(x,y) adalah polynomial orde satu, menghasilkan
system inferensi fuzzy disebut model fuzzy Sugeno orde satu. Model fuzzy Sugeno orde
nol ketika f adalah konstan (Kusumadewi, 2010).
2.3.3.3 Model Fuzzy Tsukamoto
Dalam model fuzzy Tsukamoto, consequent dari masing-masing aturan fuzzy if-then
direpresentasikan oleh satu set fuzzy dengan MF monoton. Menghasilkan output yang
terinferensi dari masing-masing aturan yang didefinisikan sebagai nilai crisp
diinduksikan oleh aturan firing strength. Mengambil Output keseluruhan sebagai rata-
rata terbobot dari tiap aturan output (Kusumadewi, 2010).

Gambar 2.13 Sistem Inferensi Fuzzy Tsukamoto (Jang et al. 1997)

Universitas Sumatera Utara


18

2.4 Evolving Connection System (ECOS)


Walaupun metode computational intelligence seperti jaringan saraf tiruan (JST),
sistem fuzzy, komputasi evolusioner, sistem hibrida, serta metode lainnya telah
berhasil dikembangkan dan diterapkan. Ada beberapa masalah saat menerapkan
metode ini dalam proses pengembangan yang kompleks (kasabov, 2007), seperti:

1. Kesulitan dalam preselecting arsitektur sistem. Umumnya model kecerdasan


buatan memiliki arsitektur tetap seperti jumlah neuron dan koneksi tetap. Hal ini
membuat sistem sulit untuk beradaptasi dengan data baru yang dengan distribusi
yang tidak diketahui sebelumnya.
2. Adanya kemungkinan sistem akan melupakan beberapa besar pengetahuan lama
ketika melakukan pembelajaran terhadap data yang baru.
3. Membutuhkan banyak waktu untuk pelatihan. Pelatihan JST dalam mode batch
umumnya melakukan perulangan pada saat proses propagasi data di dalam
struksur JST. Hal tersebut sangat tidak cocok pada pembelajaran on-line dimana
sistem membutuhkan proses adaptasi yang cepat.
4. Kurangnya fasilitas repersentasi pengetahuan. Banyaknya arsitektur komputasi
cerdas menemukan beberapa parameter statistik selama pelatihan. Tetapi tidak
memfasilitasi ekstraksi dari aturan-aturan yang ada ke dalam bentuk informasi
linguistik yang mudah dimengerti.

Untuk mengatasi masalah tersebut, dibutuhkan metode hybrid dan


connectionist dalam hal pembelajaran algoritma maupun pengembangan sistem.
Pada umumnya, sistem informasi akan membantu menentukan dan memahami
model proses secara dinamika, aturan-aturan yang terus berkembang untuk mengambil
jalan pintas dalam memecahkan masalah, serta meningkatkan kinerja proses yang
berkembang sepanjang waktu. Kebutuhan tersebut merupakan bagian dari artificial
intelligence (AI) yang disebut evolving intelligence system (EIS). EIS merupakan
sistem informasi yang mengembangkan struktur, fungsi, dan pengetahuan dengan cara
terus menerus, adaptif, dan interaktif terhadap informasi yang masuk dan melakukan
beberapa tugas cerdas yang dilakukan manusia pada umumnya (Kasabov, 2007).
Bentuk dari metode EIS yaitu evolving connectionist system (ECOS). ECOS
merupakan sistem computational intelligence berdasarkan jaringan saraf,

Universitas Sumatera Utara


19

menggunakan teknik lain computational intelligence yang beroperasi secara terus


menerus dan mengadaptasikan struktur dan fungsinya melalui interaksi terhadap
lingkungan dan sistem lainnya (Kasabov, 2007). Proses adaptasi tersebut dilakukan
melalui:
1. Aturan-aturan yang terus berkembang.
2. Parameter-parameter yang dapat berubah selama sistem beroperasi.
3. Informasi yang datang terus menerus, terutama pada distribusi data yang tidak
diketahui sebelumnya.
4. Kriteria tujuan yang diterapkan untuk mengoptimalkan kinerja sistem dari waktu
ke waktu.

Pada Gambar 2.14 merupakan ilustrasi yang menggambarkan bagian-bagian


EIS yang memproses berbagai informasi dengan cara yang adaptif dan terus menerus.
Pengolahan online dari semua informasi memungkinkan ECOS untuk berinteraksi
terhadap pengguna dengan sistem (Kasabov, 2007). Proses interaksi ECOS dapat
dilihat pada Gambar 2.14.

Gambar 2.14 Proses Interaksi ECOS (Kasabov, 2007)

Universitas Sumatera Utara


20

2.5 Weighted Evolving Fuzzy Neural Network


Weighted Evolving Fuzzy Neural Network merupakan pengembangan dari metode
Evolving Fuzzy Neural Network walaupun memiliki struktur yang mirip tetapi
memiliki aturan aturan yang beda pada prosesnya. Weighted Evolving Fuzzy Neural
Network mengadopsi faktor bobot pendukung untuk menghitung setiap faktor penting
dari fungsi fuzzy distance diantara aturan-aturan yang berbeda (Chang et al, 2009).

2.5.1 Arsitektur Weighted Evolving Fuzzy Neural Network


Weighted Evolving Fuzzy Neural Network memiliki lima struktur layer seperti yang
ditunjukkan pada Gambar 2.15. Dimana setiap node dan koneksinya dibentuk atau
dikoneksikan berdasarkan data sampel yang ada satu per satu (Chang et al, 2009).

Gambar 2.15 Arsitektur WEFuNN (Kasabov, 1998)


Pada layer pertama merupakan input layer yang menggambarkan input dari
variabel-variabel yang akan digunakan dalam proses training. Pada penelitian ini
menggunakan beberapa variabel input seperti : curah hujan, suhu, tekanan udara,
kelembapan udara, dan kecepatan angin.

Universitas Sumatera Utara


21

Pada layer kedua setiap node mempersentasikan persamaan fuzzy dari masing-
masing variabel input. Fungsi keanggotaan fuzzy dapat ditambahkan untuk
mendapatkan derajat keanggotaan pada setiap variabel input. Jumlah dan jenis fungsi
keanggotaan tersebut dapat secara dinamis dimodifikasi.
Pada layer ketiga setiap node berisi aturan-aturan yang dikembangkan melalui
metode pembelajaran terawasi atau pembelajan tidak terawasi. Aturan di setiap node
mempersentasikan prototype dari kumpulan data input-output dalam bentuk grafik
sebagai hyper- spheres (nilai maximum dari fungsi keanggotaan) dari fuzzy input dan
fuzzy output.
Pada layer keempat dilakukan kuantisasi variabel fuzzy output. Kuantisasi
adalah operasi pemotongan atau pembulatan nilai data dengan suatu presisi tertentu
untuk mendapatkan nilai luas kurva. Pada layer ini masukan bobot fungsi
penjumlahan untuk menghitung derajat keanggotaan yang mana vector output yang
terhubung dengan input vector yang diberikan masing-masing fungsi keanggotaan
output.
Pada layer kelima mempersentasikan nilai dari variabel output. Di layer ini
fungsi aktivasi linier digunakan untuk menghitung nilai defuzzifikasi variabel output.

2.5.2 Parameter Weighted Evolving Fuzzy Neural Network


Weighted Evolving Fuzzy Neural Network memiliki beberapa parameter di dalam
algoritmanya. Parameter-parameter tersebut digunakan sebagai batas kesalahan dalam
melakukan pembelajaran, batas minimum dari sebuah fungsi aktivasi, dan control
ukuran pada sebuah bobot. Parameter yang digunakan pada Weighted Evolving Fuzzy
Neural Network adalah sebagai berikut (Kasabov, 2001):

1. Sensitive threshold (sThr) adalah parameter yang digunakan untuk mendefinisikan


nilai minimum aktivasi. Nilai sensitive threshold harus lebih besar dari 0 dan lebih
kecil sama dengan 0,9. Apabila nilai sensitive threshold lebih besar dari 0,9 maka
fungsi aktivasi akan menjadi chaotic dimana pola data akan semakin acak
sehingga sulit untuk diprediksi.
2. Error threshold (errThr) adalah minimum nilai error sebagai batas kesalahan yang
ditoleransi dalam proses pembelajaran.

Universitas Sumatera Utara


22

3. Learning rate 1 (lr1) dan learning rate 2 (lr2) adalah parameter yang digunakan
untuk mengontrol nilai bobot antara layer kedua dengan layer ketiga dan antara
layer ketiga dengan layer ke empat. Nilai parameter learning rate lebih besar dari
0 dan lebih kecil sama dengan 1.

2.5.3 Algoritma Weighted Evolving Fuzzy Neural Network


Algoritma Weighted Evolving Fuzzy Neural Network yang digunakan untuk
memprediksi data runtun waktu (Chann et al, 2006 ).

1. Melakukan fuzzifikasi terhadap data training menggunakan fungsi keanggotaan.

Dimana : = indeks data.


= data training ke .
= jumlah data yang akan detraining.
= hasil dari fuzzifikasi data ke .
= fungsi keanggotaan.
2. Membangun rule node pertama r(1) untuk mempersentasi data yang pertama dan
mengisi nilai bobot satu dan bobot dua.

Dimana : = rule node


= nilai bobot dari layer dua dan layer tiga
= nilai bobot dari layer tiga dan layer empat
target = fuzzy output vector
3. Lakukan pengulangan selama i <= N
a. Menghitung normalized fuzzy local distance (D) diantara fuzzy input vector
(inpFi) dan fuzzy input vector yang berada di tempat penyimpanan sementara
pada saat rule node (rj), j=1R, dimana R adalah nilai rule node pada saat ini.
| |
( )

b. Menghitung nilai aktivasi ) dari rule node (rj) dengan menggunakan

fungsi radial basis (radbas).

Universitas Sumatera Utara


23

( ( ))

c. Cari rule node (rj*) yang memiliki nilai aktivasi tertinggi.


d. Jika nila lebih besar dari sThr maka menuju langkah (e). Sebaliknya, jika

nila lebih kecil dari sThr, maka:

Ulangi dari langkah (a).


e. Melakukan propagasi terhadap aktivasi dari rule node (rj*)
(2.15)

f. Menghitung fuzzy ouput error.


(2.16)
g. Cari action node (k*) dengan nilai aktivasi tertinggi dari A2.
h. Jika Err(k*) lebih kecil dari errThr atau r sama dengan i maka menuju ke
langkah (i). Sebaliknya, jika Err(k*) lebih besar dari errThr atau r tidak sama
dengan i maka:
(2.17)
(2.18)
Ulangi dari langkah (a).
i. Mengubah bobot W1 dan W2.
(2.19)
(2.20)
(
(2.22)

2.6 Penelitian Terdahulu


Metode prediksi telah banyak dilakukan dengan berbagai cara baik dengan metode
statistik maupun softcomputing. Metode-metode tersebut telah diimplementasikan
untuk memprediksi berbagai hal, termasuk memprediksi curah hujan.
Pada tahun 2010 Tresnawati, Nuraini, dan Hanggoro melakukan penelitian
prediksi curah hujan dengan menggunaknan metode Kalman Filter dengan Prediktor
SST NINO 3.4. Adapun langkah-langkah dari metode Kalman Filter dengan Prediktor
SST NINO 3.4 (Tresnawati et al, 2010) adalah :

Universitas Sumatera Utara


24

1. Memproses variabel model menggunakan SST NINO 3.4.


2. Memilih data terbaik dari data prediksi SST NINO 3.4.
3. Data divalidasi menggunakan 3 persamaan yaitu : ARMAX, BOX Jenkins (BJ),
dan Out Error (OE).
4. Output prediksi berupa data pada persamaan terbaik berdasarkan nilai koefisien
korelasi tertinggi.

Pada tahun 2007 Linda melakukan penelitian prediksi curah hujan menggunakan
metode Adaptive Neuro-Fuzzy Inference System (ANFIS). Adapun langkah-langkah
dari metode ANFIS (Linda, 2007) adalah :
1. Menentukan label lingualistik pada data input dan menjadi parameter premis.
2. Mempersentasikan kuat penyulutan dari sebuah aturan.
3. Mengkalkulasi rasio kuat penyulutan aturan ke-I dan jumlah kuat penyulutan
semua. Output yang dihasilkan disebut penyulutan ternormalisasi.
4. Membuat kuat penyulutan ternormalisasi menjadi parameter konsekuen.
5. Menghitung output keseluruhan sebagai penjumlahan dari semua sinyal yang
masuk.

Pada tahun 2012 Rizki, Usadha, dan Widjajati melakukan penelitian prediksi
curah hujan menggunakan metode Fuzzy Inference System. Adapun langkah-langkah
dari Fuzzy Inference System (Rizki et al, 2012) adalah :
1. Membentuk variabel input dan variabel output.
2. Membentuk himpunan fuzzy pada data histori.
3. Membentuk himpunan semesta pembicaraan masing-masing variabel.
4. Menentukan fungsi keanggotaan tiap-tiap variabel.
5. Mengkombinasikan semua variabel input dengan menerapkan t-norm.
6. Membentuk basis aturan fuzzy.
7. Melakukan defuzzyfikasi terhadap output prediksi.
8. Validasi hasil prediksi menggunakan nilai Brier Score.

Pada tahun 2007 Warsito dan Sumiyati melakukan penelitian prediksi curah hujan
dengan menggunakan Feed-Forward Neural Network dengan Algoritma Quasi
Newton BFGS dan Levenberg-Marquard. Adapun langkah-langkah dari Feed-

Universitas Sumatera Utara


25

Forward Neural Network dengan Algoritma Quasi Newton BFGS dan Levenberg-
Marquard (Warsito dan Sumiyati, 2007) adalah :
1. Inisialisasi bobot awal, Epoch 0, MSE 0
2. Menetapkan nilai maksimum Epoch dan Target Error.
3. Membuat kondisi pemberhentian.
4. Menerima target pola yang berhubungan dengan pola input pelatihan.
5. Menggunakan fungsi line search untuk penampungan output sementara.
6. Menghitung perubahan bobot dan bias.
7. Mengulangi langkah keempat sampai kondisi pemberhentian terpenuhi.

Pada tahun 2008 Warsito, Torno, dan Sugiharto melakukan penelitian prediksi
curah hujan dengan menggunakan Model General Regression Neural Network.
Adapun langkah-langkah dari Model General Regression Neural Network (Warsito et
al, 2008) adalah :
1. Menentukan vector input berdasarkan terminology outoregresif.
2. Pada neuron pola mempersentasikan neuron pola i dan .
3. Pada neuron jumlahan output neuron pola ditambahkan.
4. Jumlah yang dihasilkan neuron jumlahan dikirim ke neuron output dan
membentuk pembagian yang menghasilkan output prediksi.

Dari beberapa penelitian terdahulu menghasilkan hasil yang berbeda-beda.


Adapun hasil yang telah dihasilkan peneliti terdahulu dirangkum pada Tabel 2.3.

Tabel 2.3 Penelitian Terdahulu


No. Peneliti Tahun Metode Penelitian Keterangan
1. Tresnawati, R 2010 Kalman Filter Memprediksi curah
et al Dengan Prediktor hujan bulanan
SST NINO 3.4 menghasilkan nilai
koefisien korelasi
mencapai 75%.

Universitas Sumatera Utara


26

Tabel 2.3 Penelitian Terdahulu (Lanjutan)


No. Peneliti Tahun Metode Penelitian Keterangan
2. Linda 2007 Adaptive Neuro- Memprediksi curah
Fuzzy Inference hujan menghasilkan
Systems (ANFIS) nilai RMSE sebesar
0,063313 dan reange of
influence 0,320
3. Rizki, D.N et 2012 Fuzzy Inference Prediksi curah hujan di
al System Surabaya Utara
menghasilkan nilai
keakuratan sebesar
77,68%
4. Warsito dan 2007 Feed-Forward Neural Menghasilkan nilai
Sumiyati Network mean square error
Menggunakan (MSE) sebesar 1,8087%
Algoritma Quasi dan pada algoritma
Newton BFGS dan Levenberg-Marquardt
Levenberg-Marquard menghasilkan nilai MSE
sebesar 4,1123%
5. Warsito, B et 2008 General Regression memberikan prediksi in-
al Neural Network sample yang lebih baik
dari model ARIMA
sedangkan prediksi out-
sample memberikan
hasil berimbang dengan
model ARIMA

Berdasarkan penelitian sebelumnya penulis akan melakukan penelitian tentang


prediksi curah hujan dengan menggunakan Weighted Evolving Fuzzy Neural Network
(WEFuNN), dimana WEFuNN merupakan salah satu metode softcomputing yang
memiliki struktur hybrid dari fuzzy inference system dan jaringan saraf tiruan yang
mana didalam jaringannya menerapkan prinsip-prinsip evolving connectionist system
(ECOS). Pada pelatihannya dilakukan pengkoneksian node-node berdasarkan data

Universitas Sumatera Utara


27

sampel masukan. Dengan cara ini, WEFuNN dapat melakukan pelatihan secara online
dan data sample dapat ditambah tanpa harus mengubah parameter pada WEFuNN
(Kasabov, 2007).

Universitas Sumatera Utara