MODUL 9

APLIKASI NEURAL NETWORK DAN FUZZY LOGIC PADA PERKIRAAN CUACA

1. TUJUAN
 Memahami konsep neural network dan fuzzy logic
 Melakukan interpretasi dari hasil simulasi neural network dan fuzzy logic untuk memperkirakan
cuaca
 Membandingkan hasil simulasi dan data cuaca sebenarnya

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 komplek dan berasal dari pemikiran yang mengidentifikasi serta mengambil
keuntungan dari grayness antara dua ekstrem. Sistem logika fuzzy terdiri dari himpunan fuzzy dan
aturan fuzzy. Subset fuzzy merupakan himpunan bagian yang berbeda dari variabel input dan output.
Aturan fuzzy berhubungan dengan variabel masukan dan variabel output melalui subset. Mengingat
seperangkat aturan fuzzy, sistem dapat mengkompensasi dengan cepat dan efisien.
Logika fuzzy dimulai pada tahun 1965 dengan kertas yang disebut “Fuzzy Sets” oleh
seorang pria bernama Lutfi Zadeh. Zadeh adalah profesor imigran dan Iran dari teknik elektro UC
Berkeley, departemen ilmu komputer. Sambungan sejarah pertama logika fuzzy dapat dilihat dalam
pemikiran Buddha, pendiri agama Buddha sekitar 500 SM. Dia percaya bahwa dunia itu penuh
dengan kontradiksi dan semuanya berisi beberapa kebalikannya. Bertentangan dengan pemikiran
Buddha, filsuf Yunani Aristoteles menciptakan logika biner melalui Hukum Tengah dikecualikan.
Sebagian besar dunia Barat menerima filosofi dan itu menjadi dasar pemikiran ilmiah. Masih hari
ini, jika ada sesuatu yang terbukti secara logis benar, itu dianggap ilmiah benar.
Sebelum Zadeh, seorang pria bernama Max Black menerbitkan sebuah makalah pada tahun
1937 disebut “ketidakjelasan: Latihan di Logical Analysis”. Gagasan bahwa Black terjawab adalah
hubungan antara ketidakjelasan dan sistem berfungsi. Zadeh, di sisi lain, melihat hubungan ini dan
mulai mengembangkan iden nya tentang logika “kabur” dan fuzzy set. Ide-ide Zadeh’s mengalami
banyak perlawanan dari dunia Barat. Ada tiga kritik utama. Yang pertama adalah bahwa orang ingin
melihat logika fuzzy diterapkan. Hal ini tidak terjadi untuk kadang-kadang karena ide-ide baru
membutuhkan waktu untuk menerapkan. Kritik kedua datang dari sekolah probabilitas. Fuzzy logic
menggunakan angka antara 0 dan 1 untuk menggambarkan derajat fuzzy. Probabilists merasa bahwa
mereka melakukan hal yang sama. Kritik ketiga adalah yang terbesar. Logika fuzzy untuk bekerja,
orang harus setuju bahwa A-dan-tidak-A adalah benar. Ini ilmu pengetahuan modern mengancam
dan ide-ide matematika. Akibatnya, dunia Barat menolak logika fuzzy untuk jangka waktu tertentu.

1 | Modul 9 Praktikum Fisika Komputasi FI3102 Semester 2 2013/2014

 Suatu nilai yang menunjukkan seberapa besar tingkat keanggotaan suatu elemen (x) dalam
suatu himpunan A, sering dikenal dengan nama nilai keanggotaan, dinotasikan dengan μA(x). Dalam
himpunan klasik, hanya ada dua derajat keanggotaan, yaitu μA(x)=0 dan μA(x)=1. Sedangkan dalam
himpunan fuzzy, fungsi karakteristik μA= μA(x) dimungkinkan mempunyai derajat keanggotaan
keanggotaan antara 0 dan 1.
Contoh: Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu: DINGIN, SEJUK,
NORMAL, HANGAT, dan PANAS.

Gambar 1. Variabel himpunan fuzzy (temperatur)

Gambar 2. Struktur dasar fuzzy logic

Beberapa tahapan yang dilakukan pada sistem fuzzy logic antara lain
 Fuzzifikasi
 Penalaran (Interference Machine)
 Aturan Dasar (Rule Based)
 Defusifikasi

Fuzzy clustering adalah bagian dari pattern recognition atau pengenalan pola. Metode
clustering yang digunakan dalam penelitian ini adalah fuzzy c-means. Fuzzy c-means adalah salah
satu teknik pengklusteran data yang mana keberadaan tiap titik data dalam suatu cluster ditentukan

2 | Modul 9 Praktikum Fisika Komputasi FI3102 Semester 2 2013/2014

 oleh derajat keanggotan. Fungsi Keanggotaan (membership function) adalah suatu kurva yang
menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut
dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1.
Ada beberapa cara untuk mengasosiasikan nomor fuzzy ke deskripsi dalam kata-kata.
Asosiasi ini terjadi dalam bentuk-bentuk tertentu. Bentuk ini disebut sebagai fungsi keanggotaan.
Ada empat bentuk yang terutama digunakan. Hal ini termasuk segitiga, trapesium, Gaussian, dan
Singleton.

Gambar 3. menunjukkan bentuk yang mungkin digunakan untuk definisi subset.

Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan
melalui pendekatan fungsi. Ada beberapa fungsi yang biasa digunakan, namun fungsi keanggotaan
yang digunakan dalam penelitian ini adalah kurva Gaussian. Grafik fungsi gaussian adalah sebagai
berikut:

Gambar 4. Kurva Gaussian

3 | Modul 9 Praktikum Fisika Komputasi FI3102 Semester 2 2013/2014

 Secara matematis, notasi fungsi Gaussian adalah:
( )
( )

Salah satu contoh bentuk penalaran yang didasarkan pada himpunan fuzzy adalah
Interferensi fuzzy, proses ini menggunakan logika IF-THEN. Ada beberapa metode yang sering
digunakan untuk melakukan penalaran Fuzzy, yaitu metode Madami dan metode Takagi-Sugeno.
Dalam hal ini digunakan metode Takagi-Sugeno.

Ada dua model untuk system inferensi fuzzy Takagi-Sugeno, yaitu:

1) Model Fuzzy Sugeno Orde-Nol
Secara umum bentuk model fuzzy SUGENO Orde-Nol adalah:

IF (x1 is A1) • (x2 is A2) • (x3 is A3) • ...... •(xn is An) THEN z=k

Dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu konstanta (tegas)
sebagai konsekuen.

2) Model Fuzzy Sugeno Orde-Satu

Secara umum bentuk model fuzzy SUGENO Orde-Satu adalah:

IF (x1 is A1) • ...... • (xn is An) THEN z =p1*x1 + … + pn*xn + q

Dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan pi adalah suatu konstanta (tegas)
ke-i dan q juga merupakan konstanta dalam konsekuen.

Agar dapat menggunakan fungsi-fungsi logika fuzzy yang ada pada MATLAB, maka harus
diinstallkan terlebih dahulu TOOLBOX FUZZY. Fuzzy logic toolbox memberikan fasilitas
Graphical User Interface (GUI) untuk mempermudah dalam membangun suatu sistem fuzzy. Ada 5
GUI tools yang dapat digunakan untuk membangun, mengedit, dan mengobservasi sistem penalaran
fuzzy, yaitu:
a) Fuzzy Inference System (FIS) Editor
b) Membership Function Editor
c) Rule Editor
d) Rule Viewer
e) Surface Viewer

4 | Modul 9 Praktikum Fisika Komputasi FI3102 Semester 2 2013/2014

 Gambar 5. Toolbox fuzzy pada Matlab

3. LANGKAH PERCOBAAN
Variabel yang digunakan untuk membangun sistem fuzzy logic ini antara lain kondisi kecepatan angin
(knot), suhu (0C), kelembaban (%) dan tekanan udara (mb).
1) Lakukan 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
2) Buat Fungsi keanggotan hingga bernilai dalam fungsi gaussian. Dapatkan derajat keanggotaan
untuk masing-masing cluster.

5 | Modul 9 Praktikum Fisika Komputasi FI3102 Semester 2 2013/2014

 3) Susun aturan (rule Based) berdasarkan tabel berikut

Rules Prediksi Kecepatan Angin

No If Tekanan Temperatur Kecepatan Angin
1 Sangat Rendah Sedang
2 Rendah Sedang
3 If Sangat Kecil Sedang Sedang
4 Tinggi Sedang
5 Sangat Tinggi Sedang
6 Sangat Rendah Sedang
7 Rendah Sedang
8 If Kecil Sedang Sedang
9 Tinggi Sedang
10 Sangat Tinggi Sedang
11 Sangat Rendah Sedang
12 Rendah Sedang
13 If Sedang Sedang Sedang
14 Tinggi Sedang
15 Sangat Tinggi Sedang
16 Sangat Rendah Tinggi
17 Rendah Sedang
18 If Besar Sedang Sedang
19 Tinggi Sedang
20 Sangat Tinggi Sedang
21 Sangat Rendah Sangat Tinggi
22 Rendah Tinggi
23 If Sangat Besar Sedang Sedang
24 Tinggi Sedang
25 Sangat Tinggi Sedang

Rules Prediksi Hujan

Kecepatan
No. If Temperatur Kelembaban Cuaca
Angin
1 Tinggi Hujan
2 Rendah Sedang Hujan
3 If Sedang Rendah Cerah
4 Tinggi Cerah
Sedang
5 Sedang Cerah

6 | Modul 9 Praktikum Fisika Komputasi FI3102 Semester 2 2013/2014

 6 Rendah Cerah
7 Tinggi Cerah
8 Tinggi Sedang Cerah
9 Rendah Cerah
10 Tinggi Hujan Lebat
11 Rendah Sedang Hujan
12 Rendah Hujan
13 Tinggi Hujan
14 If Kencang Sedang Sedang Cerah
15 Rendah Cerah
16 Tinggi Cerah
17 Tinggi Sedang Cerah
18 Rendah Cerah
19 Tinggi Hujan Lebat
20 Rendah Sedang Hujan Lebat
21 Rendah Hujan
22 Tinggi Hujan
Sangat
23 If Sedang Sedang Hujan
Kencang
24 Rendah Hujan
25 Tinggi Cerah
26 Tinggi Sedang Cerah
27 Rendah Cerah

NB:

Saat praktikum masing-masing praktikan harus membawa modul dan file Data Pemodelan.xls.

7 | Modul 9 Praktikum Fisika Komputasi FI3102 Semester 2 2013/2014

 4. TUGAS LAPORAN
1) sebutkan aspek-aspek cuaca yang berpengaruh dalam percobaan ini dan jelaskan bagaimana
aspek-aspek tersebut mempengaruhi cuaca!
2) Cantumkan data tabel hasil pengelompokan (cluster) untuk masing-masing parameter
3) Bandingkan hasil simulasi dan data cuaca sebenarnya
4) Jelaskan kegunaan memperkirakan cuaca pada kehidupan sehari-hari

5. TUGAS PENDAHULUAN
a) Mengapa fuzzy logic dapat digunakan pada pemodelan perkiraan cuaca?
b) Jelaskan pengertian masing-masing tahapan sistem fuzzy logic
c) Jelaskan keunggulan metode Takagi-Sugeno dibanding metode Mamdani!
d) Sebutkan aspek-aspek yang dapat mempengaruhi cuaca!
e) Sebutkan dan jelaskan fuzzy toolbox yang digunakan untuk membangun sistem penalaran
fuzzy pada MATLAB!

6. REFERENSI

[1] Arifin, Syamsul.2009.Sistem Logika Fuzzy sebagai Peramal Cuaca di Indonesia, Studi Kasus:
Kota Surabaya. Surabaya: Prosiding Seminar Nasional Aplikasi Teknologi Prasarana Wilayah 2009

[2] Georgios Sylaios, Frederic Bouchette, Vassilios A. Tsihrintzis, dan Clea Denamiel.2008.A
Fuzzy Inference System for Wind-Wave Modelling.

[3] Dewi, Sri Kusuma.2006.Neuro Fuzzy: Integrasi Jaringan Syaraf dan Sistem
Fuzzy.Yogyakarta:Graha Ilmu

[4] Johnson, Ryan. 2002. Fuzzy Logic and Fuzzy Logic Sun Tracking Control. Michigan: Calvin
College

[5] Fauzia P Lestari, Ryan S, M Ilyas, Arief RH, Agastya W, Arfian A, Irsantyo, Modul RBL Ekfis II
Tahun 2013: Aplikasi Neural Network dan Fuzzy Logic Pada Perkiraan Cuaca.

Penanggung Jawab Modul 9

Muhamad Ilyas (10210086)

8 | Modul 9 Praktikum Fisika Komputasi FI3102 Semester 2 2013/2014