175 315 1 PB
175 315 1 PB
struktur ini, sistem inferensi fuzzy yang diterapkan O4,i = O3,i (4,i = O3,i ( x) + y + ) (5)
adalah inferensi fuzzy model Takagi-Sugeno-Kang [11] dengan i, i and i adalah linier parameter konsekuen
[12]. kesesuaian node i.
Lapisan 5: Lapisan Total Output
A1 x y
Node tunggal pada lapisan ini mensintesiskan
x informasi yang dikirimkan dengan lapisan 4 dan
A2 N
mengembalikan keseluruhan output menggunakan
N
fungsi tetap berikut:
B1 N Lapisan 5
5, =
Lapisan Total Output
y
Lapisan 3 (6)
Lapisan 2
B2 Lapisan Produk Lapisan Normalisasi x y
Lapisan 4
Lapisan 1
Lapisan Defuzzyfikasi B. Algoritma Belajar HIbrida
Lapisan Fuzzy
ANFIS dalam kerjanya mempergunakan algoritma
Gb. 1. Struktur ANFIS
belajar hibrida, yaitu menggabungkan metode Least-
Dalam sistem Neuro-Fuzzy terdapat lima lapisan squares estimator (LSE) dan error backpropagation
proses yang mana fungsi dan persamaan masing-masing (EBP). Dalam struktur ANFIS metode EBP dilakukan di
lapisannya dijelaskan sebagai berikut: lapisan 1, sedangkan metode LSE dilakukan di lapisan
Lapisan 1: Lapisan Fuzzyfikasi 4.
Jadikan O 1,i menjadi output setiap node pada lapisan Pada lapisan 1 parameternya merupakan parameter
1. Setiap node i pada lapisan ini adalah node adaptif dari fungsi keanggotaan himpunan fuzzy sifatnya
dengan fungsi node O 1,i = Ai(x) untuk i = 1, 2; atau nonlinier terhadap keluaran sistem . Proses belajar pada
O 1,i = Bi(y) untuk i = 1, 2, dengan x adalah input ke parameter ini menggunakan metode EBP untuk
node i dan Ai adalah label linguistik (kecil, besar, dan memperbaharui nilai parameternya. Sedangkan pada
sebagainya) yang sesuai dengan fungsi node ini. Di lapisan ke 4, parameter perupakan parameter linier
bagian lain O 1,i adalah fungsi keanggotaan dari A1 dan terhadap keluaran sistem, yang menyusun basis kaidah
derajat keanggotaannya spesifik untuk pemberian x fuzzy. Proses belajar untuk memperbaharui parameter.
yang memadai pengkuantisasi Ai. Fungsi keanggotaan Lapisan ini menggunakan metode Least-squares
yang banyak digunakan adalah bentuk Bell (lonceng) Estimator (LSE). Proses belajar pada ANFIS dapat
dan Gaussian. dilihat pada Tabel I.
Fungsi keanggotaan bentuk Bell dinyatakan dengan: TABEL I
PROSES BELAJAR ANFIS
1
(, , , ) = 2
(1) Arah Maju Arah Mundur
1+ Parameter
Tetap EBP
premis
dengan parameter b biasanya positif. Parameter c Parameter
LSE Tetap
letaknya di tengah kurva. Fungsi keanggotaan Gaussian konsekuen
dinyatakan dengan: Sinyal Keluaran simpul Sinyal kesalahan
()2
() = 22 (2)
III. PERAMALAN TIME SERIES DENGAN ANFIS
Lapisan 2: Lapisan Produk
Pada peramalan dengan metode ANFIS terbagi
Setiap node pada lapisan ini terdiri atas operator prod menjadi 3 proses yaitu: proses Inisialisasi awal, proses
t-norm sebagai fungsi node. Lapisan ini mensintesiskan pembelajaran (learning), dan proses peramalan.
pentransmisian informasi dengan lapisan 1 dan Penentuan periode input dan periode training dilakukan
perkalian semua sinyal yang masuk dan mengirim saat inisialisasi awal dimana tiap-tiap periode input
produk keluar. Output dari lapisan produk dinyatakan memiliki pola atau pattern yang berbeda.
dengan: Data yang digunakan untuk proses pembelajaran
O2,i = A (x). B (y) = W (3) (traning) terdiri dari data input, parameter ANFIS, dan
data test yang berada pada priode traning ANFIS.
Setiap node pada lapisan ini melayani sebagai ukuran
kekuatan dari rule (aturan). Output pada lapisan ini Training dengan ANFIS menggunakan adalah algoritma
bertindak sebagai fungsi bobot. belajar hybrid, dimana dilakukan penggabungan metode
Lapisan 3: Lapisan Normalisasi Least-squares estimator (LSE) pada alur maju dan error
Setiap node pada lapisan ini menormalisasi fungsi backpropagation (EBP) pada alur mundur. Pada
bobot yang didapat dari lapisan produk sebelumnya. algoritma belajar ini nilai parameter premis akan tetap
Output normalisasi dihitung dengan: saat alur maju, namun sebaliknya parameter konsekuen
akan ter-update saat alur maju [13].
3, = (4)
1 +2 A. Alur Maju
Lapisan 4: Lapisan Defuzzifikasi Pada blok diagram Gb. 2. digambarkan mengenai
Node pada lapisan ini adalah adaptif alami. Output proses alur maju dari sebuah sistem ANFIS yang terdiri
defuzzyfikasi dari lapisan ini dihitung dengan formula: dari beberapa lapisan. Pada lapisan pertama data input
pada masing masing periode akan dilakukan proses sistematika alur mundur dari suatu sistem ANFIS.
fuzzyfikasi. Proses ini adalah untuk memetakan inputan Variabel-variabel pada gambar mengacu pada pers. 2
data kedalam himpunan fuzzy sesuai dengan klasifikasi sampai pada pers. 6. Pada proses ini dilakukan
yang dipilih (pada proyek akhir ini hanya menggunakan algoritma EBP (Error Backpropagation) dimana pada
dua jenis himpunan fuzzy yaitu: tinggi dan rendah). setiap lapisan dilakukan perhitungan error untuk
Dalam proses ini inputan akan dilakukan perhitungan melakukan update parameter-parameter ANFIS.
fungsi keanggotaan fuzzy untuk mentransformasi Pada lapisan 5 dilakukan perhitungan error dengan
masukan himpunan klasik (crisp) ke derajat tertentu. rumus differensial dari perhitungan MSE yaitu:
Fungsi keanggotaan yang digunakan adalah jenis ()2
gaussian dimana pada fungsi keanggotaan ini terdapat = (7)
2
dua parameter yaitu mean dan varian, parameter Nilai yd adalah output aktual, dan nilai y adalah
tersebut dalam metode ANFIS disebut sebagai output ANFIS.
parameter premis. Pada lapisan 4 tidak dilakukan perhitungan error hal
X(jum periode......X(jum data) ini dikarenakan pada alur mundur tidak terjadi update
mx1 nilai paramater konsekuen yang terdapat pada lapisan 4.
X(i) Pers. 3 Pers. 4 Pers. 5 Untuk perhitungan error lapisan 3 dilakukan dengan
mx2
rumus sebagai berikut:
SUM Y 3 () = 5 4 (), = 1,2 (8)
my1
X
Pada lapisan 2 dilakukan perhitungan error dengan
Pers. 5
(periode) Pers. 3 Pers. 4 melibatkan error 5 dan error 3 yaitu:
my2
2 () = 3 () , = 1,2 (9)
fuzzyfikasi Proses mesin inferensi X(jum periode......X(jum data) (1 2 )2
Lapisan 1 Lapisan 2 Lapisan 3 Lapisan 4 Lapisan 5
Pada lapisan 1 dilakukan perhitungan error dengan
Gb. 2. Blok diagram alur maju ANFIS untuk melibatkan error 5 ,3 dan error 2 yaitu:
Time series forecasting
Pada lapisan kedua dan ketiga dilakukan proses 1 (, ) = 2 () (, ), = 1,2 = 1,2 (10)
inference engine (sistem inferensi fuzzy) ditentukan rule Setelah dilakukan perhitungan error pada setiap
fuzzy untuk dilakukan proses perhitungan selanjutnya. lapisan maka dilakukan update data parameter ANFIS
Pada proses ini digunakan model takagi sugeno. Pada dengan proses differensial masing-masing parameter
proyek akhir ini digunakan dua rule yaitu: jika mx1 premis terhadap fungsi gaussian. Dimana pada
bertemu my1 maka akan dilanjutkan ke W1, dan jika perhitungan ini nilai error sebelumnya diinputkan.
mx2 bertemu my2 maka akan dilanjutkan ke W2. nilai Berikut adalah rumus untuk memperoleh parameter
W1dan W2 didapat dari hasil pencarian nilai minimum delta mean pada ANFIS setelah proses defferensial.
untuk masingmasing input keanggotaan fuzzy. (, ) = 1 (, ) 2 (, )
Pada lapisan 4 dilakukan proses defuzzyfikasi (,)
2 (11)
dilakukan perhitungan mentransformasi hasil fuzzy ke (,)
bentuk keluaran yang crisp. Pada lapisan ini dilakukan Nilai delta mean selanjutnya dijumlahkan dengan
perhitungan LSA untuk mendapatkan nilai parameter nilai mean sebelumnya untuk menghasilkan nilai mean
konsekuen. yang baru
Pada lapisan 5 dilakukan proses summary dari dua
_ = + (12)
output pada lapisan 4. Pada ANFIS sistem fuzzy terletak
pada lapisan 1,2,3 dan 4. Dimana sistem fuzzy ini Berikut adalah rumus untuk memperoleh parameter
adalah sebagai penentu hidden node yang terdapat pada delta varians pada ANFIS setelah proses defferensial.
sistem jaringan syaraf tiruan. (, ) = 1 (, ) 2 (, )
(,)
B. Alur mundur 3 (13)
(,)
fuzzyfikasi
Lapisan 1 Lapisan 2 Lapisan 3 Lapisan 4 Lapisan 5
IV. DATA DAN METODE PENELITIAN
Gb. 3. Blok diagram alur mundur ANFIS untuk A. Data
time series forecasting
Data yang diperlukan adalah data sekunder hasil
Pada blok diagram Gb. 3. dijelaskan mengenai pemantauan dari aktifitas kegempaan, deformasi tanah,
dan geokimia Gunung Merapi yang diperoleh dari Balai dan deviasi standar pada setiap cluster, nilai mean, dan
Penyelidikan dan Pengembangan Teknologi deviasi standar ini selanjutnya akan menjadi nilai
Kegunungapian (BPPTK) Yogyakarta. Data yang telah parameter a dan parameter c (premise parameters) awal.
diperoleh dibagi menjadi dua bagian, pertama sebagai Selanjutnya output pada lapisan pertama berupa derajat
data pelatihan jaringan, dan kedua sebagai data keanggotaan setiap data, pada lapisan kedua perkalian
pengujian. Data pelatihan menggunakan periode data derajat keanggotaan, pada lapisan ketiga dilakukan
prekursor erupsi Gunung Merapi tahun 1997, 1998, normalisasi, pada lapisan keempat mencari nilai
2001, dan 2006. Data pengujian menggunakan data consequent parameters, pada lapisan kelima merupakan
prekursor erupsi Gunung Merapi tahun 2010. penjumlahan dari lapisan keempat.
LSE rekursif digunakan untuk memperbaiki nilai
B. Metode Penelitian
consequent parameters sampai didapatkan nilai error
yang kecil pada langkah maju, sedangkan pada langkah
mundur kita menggunakan propagasi error untuk
Mulai memperbaiki nilai premise parameter, selanjutnya
menghitung error keluaran dari jaringan. Diagram alir
Penelitian Awal program ANFIS ditunjukkan pada Gb. 4.
TABEL II
Selesai PENGARUH LAJU PEMBELAJARAN TERHADAP RMSE
Gb. 4. Diagram alir metode penelitian 0,1 0,01 0,001 0,0001 0,00001
Merapi mengalami penurunan yang cukup tinggi setelah [2] BPPTK, Informasi MerapiPemantauan,
merapi.bgl.esdm.go.id. Diakses tanggal 20 Juni 2011.
terjadinya erupsi. [3] R.S.J Sparks, Forecasting Volcanic Eruptions, Earth and
Pada dasarnya peramalan dengan data time series Planetary Science Letters 210, 2003.
dengan ANFIS akan bekerja dengan baik jika data yang [4] F. Brenguier, N. M. Shapiro, M. Campillo, dkk, Towards
Forecasting Volcanic Eruptions using Seismic Noise, Letters,
digunakan mempunyai pola yang teratur. Dalam
Grenoble, 2008, Page: 1-5.
penelitian ini data yang digunakan mempunyai pola [5] W. Marzocchi , L. Sandri , dan J. Selva, BET_EF: a
yang memiliki deviasi yang cukup tinggi secara statistik Probabilistic Tool for Long-and Short-Term Eruption
sehingga ANFIS memberikan rata-rata kesalahan yang Forecasting, Istituto Nazionale di Geofisica e Vulcanologia,
Bologna, 2007.
masih cukup tinggi, yaitu MAPE hasil pengujian [6] N. Dashore, G. Upadhyaya, dan K. Vyas, Fuzzy Logic Based
sebesar 10,2041%. Model for Predicting Volcanic Activity, Indian Journal of
Science and Technology, Indore, Vol. 3 No. 7, 2010, Page: 759-
763.
VI. KESIMPULAN [7] A. Rahman, A.G. Abdullah, dan D.L. Hakim, Prakiraan Beban
Berdasarkan pembahasan mengenai model neuro Puncak Jangka Panjang pada Sistem Kelistrikan Indonesia
Menggunakan Algoritma Adaptive Neuro-Fuzzy Inference
fuzzy, yaitu model ANFIS (adaptive neuro fuzzy Sistem, Electrans, Vol.11, No.2, September 2012 , 18 -26.
inference sistem) yang diaplikasikan untuk menentukan [8] B. S. Putra, R. S.Wahono, dan R. I. Akbar, Simulasi Penerapan
status aktivitas gunung Merapi, maka dapat diambil Anfis pada Sistem Lampu Lalu Lintas Enam Ruas, Jurnal
Ilmiah Kursor Vol. 6, No. 2, Juli 2011.
kesimpulan sebagai berikut: laju pembelajaran yang [9] R. Setyaningrum, Kemampuan Expert Sistem-Anfis untuk
digunakan ANFIS untuk mendapatkan RMSE dan Diagnosa Kesehatan Pekerja Industri Dan Mencari Solusinya,
epoch yang optimal sebesar 0,00001 yang menghasilkan Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI
2007)
RMSE sebesar 0,081109 dan MAPE sebesar 15,2084%, [10] D. Septiadi, Aplikasi Soft Computing pada Prediksi Curah
sedangkan pada proses pengujian dihasilkan MAPE Hujan Di Kalimantan, Jurnal Meteorologi Dan Geofisika, Vol.
sebesar 10,2041%. 9 No.1 Juli 2008 : 65 77.
[11] S. Hartati, dan S. Kusumadewi, 2006, Neuro-Fuzzy Integrasi
Sistem Fuzzy dan Jaringan Syaraf, Graha Ilmu, Yogyakarta.
UCAPAN TERIMA KASIH [12] Jang, J.-S. R, 1993, ANFIS: Adaptive-network-based fuzzy
Penulis mengucapkan terima kasih kepada Balai inference sistems, IEEE Trans. on Sistems, Man and
Penyelidikan dan Pengembangan Teknologi Cybernetics, 23(03):665-685.
[13] A. Fariza, A. Helen, dan A. Rasyid, 2007, Performansi Neuro
Kegunungapian (BPPTK) Yogyakarta atas ijin Fuzzy untuk Peramalan Data Time Series, SNATI 2007.
penelitian dan survey di BPPTK.
DAFTAR PUSTAKA Bagus Fatkhurrozi, lahir di Batang, 12 Oktober 1979 sebagai anak
kedua dari pasangan Zaenudin dan Juwariyah. Tahun 1985
[1] J. Ikhsan, M.Fujita, dan M. Takebayashi, Sustainable Sand
bersekolah di SDN 1 Wonobodro dan lulus tahun 1991. SMPN 1
Mining Management in Merapi Area using Groundshills,
Blado lulus tahun 1994. SMUN Bandar lulus tahun 1997. Sarjana
Annuals of Disas. Prev. Res. Inst. Kyoto University, No. 52B,
Teknik Elektro Widya Gama Malang lulus tahun 2002.
2009.