1 Teknik Elektro, Akademi Teknik Industri Makassar 2 Teknik Elektro, Prodi Informatika, Universitas Hasanuddin Makassar
Sehingga perhitungan untuk memprediksi curah hujan
Abstrak—Identifikasi model curah hujan menggunakan tersebut hanya dapat digunakan di area ZOM 287. ANFIS dengan 2 input. Input yang digunakan adalah unsur- Pembagian daerah di Sulawesi berdasarkan nomor ZOM unsur iklim yang mempunyai korelasi kuat dengan curah dapat dilihat pada lampiran 2. hujan. Model curah hujan hasil identifikasi ANFIS diuji dan Dari data harian meteorologi BMKG dengan periode dievaluasi nilai RMSE-nya. Model curah hujan yang 2001-2010, ditemukan beberapa data yang kosong. diperoleh kemudian digunakan untuk memprediksi curah hujan di kota Makassar tahun 2011. RMSE (Root Mean Khususnya pada periode tahun 2001-2003 yang Square Errror) rata-rata hasil prediksi tahun 2009 dan 2010 disebabkan oleh perekaman data konvensional. Untuk itu masing-masing sebesar 0.097 dan 0.086. Validasi curah data preprocessing menjadi hal yang krusial agar sistem hujan tahun 2009 dengan metode ANFIS dengan input ini dapat mencapai keakurasian yang diinginkan. mencapai 77.53%.Validasi curah hujan 2010 dengan metode Selain itu pemilihan-pemilahan data serta ANFIS dengan data input checking menggunakan neural pengklasifikasiannya ke dalam waktu periode tertentu network mencapai 59.72%. juga menjadi hal penting untuk mencapai sistem prediksi yang akurat. Kata kunci—ANFIS, prediksi hujan
I. PENDAHULUAN
Sebagai negara tropis dengan intensitas hujan yang
sangat tinggi, tentu saja hal ini menjadi salah satu poin penting dalam membuat rancangan sistem telekomunikasi. Tingkat fluktuasi unsur cuaca merupakan salah satu hal penting yang sulit untuk diprediksi. Banyak penelitian yang telah dilakukan untuk memprediksi fluktuasi unsur cuaca. Berbagai metode peramalan telah berkembang seiring dengan permasalahan yang ditimbulkan. Pada penelitian sebelumnya yaitu “Prediksi Curah Hujan Kota Makassar dengan metode ANFIS (Adaptive Neuro Fuzzy Inference System)[1] menggunakan metode ANFIS Gambar 1. Curah hujan rata-rata kota Makassar 2001- time series dengan menggunakan masing-masing satu 2009 varibel input dan output . Hasil prediksi metode ini memberikan tingkat akurasi curah hujan yang rendah. Setelah mendapatkan sistem yang mendapatkan hasil Dalam penelitian ini akan ditingkatkan hasil validasi validasi yang terbaik (mendekati 100 %) maka sistem hujan dari penelitian sebelumnya sekaligus mengunakan tersebut yang berpotensi untuk memprediksi curah hujan. multivariabel. Untuk dapat memprediksi curah hujan tahun 2009 dan 2010 diperlukan teknik neural network untuk memprediksi variable checking input dari parameter II. METODOLOGI meteorologi. Langkah-langkahnya dapat terlihat pada gambar 2. Data yang akan digunakan adalah data observasi Dalam penelitian ini, data yang digunakan dibagi ke harian dari enam variabel cuaca di Kota Makassar. Data dalam dua kelompok, yaitu data training dan data ini didapatkan melalui BMKG Wilayah IV Makassar. checking. Data-data tersebut dibuat dalam bentuk matriks. Stasiun pengamatan yang diambil adalah Makassar Pada proses perancangan prediksi curah hujan Hasanuddin yang terletak di kompleks Bandara Sultan menggunakan metode ANFIS, data training dan data Hasanuddin dengan periode data yaitu dari tahun 2001- checking disusun dalam bentuk matrik N x M, di mana N 2010. Data latih yang digunakan untuk memprediksi adalah jumlah baris yang tergantung pada panjang data, curah hujan merupakan data dari Kota Makassar dengan sedangkan M adalah jumlah kolom (M -1 kolom untuk area ZOM 287 yang memiliki karakteristik hujan tertentu. vektor input yang akan ditraining dan kolom terakhir
Seminar Nasional Teknik Informatika (SNATIKA) 2013 99
ISBN : 978-602-8509-20-6 untuk vektor output). Selanjutnya dilakukan proses Prediksi melalui pemrograman fungsi matlab pada normalisasi yaitu dengan membagi masing-masing dasarnya melakukan perintah inisialisasi sistem Fuzzy- variabel input dan output dengan nilai variabel input dan nya. Persamaan yang biasa digunakan adalah GENFIS1, output tertinggi selama pengukuran. Normalisasi fungsi ini menghasilkan FIS tipe Sugeno dengan metode dilakukan untuk mengurangi fluktuasi dan menghilangkan grid partition. ANFIS Sugeno merupakan model terbaik frekuensi tinggi. untuk analisis numerik dibanding model logika samar lainnya, karena dalam proses pembelajarannya (training) didasarkan pada upaya memperkecil nilai kesalahan dari output-nya. Adapun sintax selengkapnya adalah sebagai berikut: InputFismat=genfis1(TrainData, NumMfs, MfType) TrainData, NumMFs dan MfType merupakan parameter yang dapat diisi sesuai dengan keinginan, seperti data yang dilatih, jumlah fungsi kenggotaannya (MFs) dan tipe Mfsnya. Fungsi GENFIS1 menghasilkan output linear. Fungsi ANFIS pada pemrograman ini menggunakan algoritma pembelajaran hybrid untuk mengidentifikasi parameter-parameter fungsi keanggotaan untuk satu keluaran FIS tipe Sugeno. Validasi data yang telah dilakukan pelatihan diperoleh dari pemanggilan fungsi EVALFIS. Fungsi ini akan memperlihatkan performa perhitungan Fuzzy inference.
4. Evaluasi Model ANFIS
Akhir pelatihan dan pengujian data yang telah mengalami beberapa epoch proses selalu menunjukkan ciri khas tanda-tanda bila pemrograman selesai melakukan langkah-langkah proses. Prediksi ANFIS Gambar 2. Metodologi ANFIS untuk Prediksi Curah dengan data observasi akan direprentasikan dalam bentuk Hujan grafik dan linguistik. Reprentasi model-model tersebut dapat membantu analisis dan pengamatan untuk A. Pengaturan Parameter Awal Pelatihan dan Pengujian mengambil asumsi kerja ANFIS. ANFIS 5. Root Mean Square Error (RMSE) a. Epoch Untuk mengevaluasi hasil percobaan dalam ANFIS Epoch dapat diartikan sebagai tahap arah ini digunakan pengukuran kesalahan (error) peramalan pembelajaran maju-mundur yang terjadi dalam jaringan atau prediksi. RMSE digunakan untuk mengevaluasi hasil adaptif. Misal satu tahap arah pembelajaran maju-mundur prediksi ANFIS terhadap data observasi BMKG untuk dinamakan satu epoch. Program pelatihan dijalankan melihat seberapa akurat hasil prediksi ANFIS. dengan epoch sesuai target error yang diinginkan. b. Fungsi Keanggotaan III. RESULTS Fungsi keanggotaan Fuzzy input (premis) yang dipilih secara konvensional. Jenis fungsi keanggotaan A. ANALISIS KORELASI VARIABEL INPUT TERHADAP pada penelitian ini adalah gaussian sebagai variabel input CURAH HUJAN karena bentuk gaussmf cocok untuk data-data alami Sebelum menentukan input yang dipakai untuk seperti data cuaca. memprediksi curah hujan pada sistem ANFIS dilakukan c. Step Size perhitungan korelasi variabel-variabel input terhadap Step Size atau ukuran langkah. Pengaturan step size curah hujan untuk mengetahui seberapa besar pengaruh adalah nilai 0.01. Step size sendiri dapat memberikan variabel-variabel tersebut terhadap terjadinya hujan. informasi langkah pelatihan dan pengujian disetiap epoch. Dari data BMKG didapatkan korelasi dari ketiga variabel Bila step size berubah akan menunjukkan perubahan masukan (temperatur, kelembaban, dan angin) diperoleh kecepatan konvergensi dan identik dengan alur proses nilai korelasi masing-masing, yaitu 0.409 untuk pelatihan/pembelajaran (learning rate). Secara kelembaban, -0.285 untuk temperatur, 0.003 untuk untuk pengamatan dapat memberikan efek terhadap perbaikan kecepatan angin, -0.001 untuk tekanan dan 0.069 untuk parameter dan epoch. penyinaran. Semakin nilai korelasi mendekati satu atau minus satu, 3. Pelatihan dan Pengujian Data Pada ANFIS maka semakin tinggi hubungan korelasi antara variabel
011 Seminar Nasional Teknik Informatika (SNATIKA) 2013
ISBN : 978-602-8509-20-6 masukan dan keluaran. Karena itu, variabel masukan yang Tabel 2. Persentase keakuratan 2010 akan digunakan dalam penelitian ini adalah temperatur dan kelembaban. Hujan No. ANFIS Cerah Ringan Sedang Lebat Sangat Lebat B. ANALISIS PENENTUAN INPUT CHECKING MENGGUNAKAN NEURAL NETWORK 1 Observasi 224 78 47 14 2
Pada perancangan prediksi hujan tahun 2011 dengan 2 Prediksi 226 92 39 2 6
menggunakan metode ANFIS, terlebih dahulu ditentukan Jumlah benar (hari) 218 hari variabel input checking dengan menggunakan neural network. Variabel input checking yaitu temperatur dan Jumlah salah (hari) 147 hari kelembaban tahun 2010 akan diprediksi dengan metode Keakuratan (%) 59.72% neural network kemudian akan dijadikan input checking pada metode ANFIS untuk mendapatkan curah hujan, setelah itu dilakukan pencocokan data guna menghitung keakuratan sistem. Tabel 3. Perbandingan RMSE 2009 R M Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des S E 0.25 0.36 0.27 0.51 0.25 0.9 0.86 0.0 0.14 0.25 0.55 0.41
Tabel 1 menunjukkan perbandingan ketepatan kondisi
dengan keadaan sebenarnya pada sistem ANFIS tahun 2009 dengan jumlah hari benar sebanyak 283 hari dan tingkat keakuratan mencapai 77.53%. Tingkat keakuratan pada sistem ini menunjukkan sistem ini layak digunakan untuk memprediksi cuaca keesokan harinya.
IV. DISKUSI
Kesalahan prediksi dari sistem ANFIS disebabkan karena
data yang digunakan merupakan data harian. Jika data yang digunakan adalah data perjam, maka dapat mengurangi kesalahan prediksi. Selain itu perubahan curah hujan tahun ke tahun tidak memiliki pola yang Gambar 3. Iniliasialisasi dan Finalisasi keanggotaan input sama. Jika dibandingkan hasil validasi tahun 2009 yang Pada tabel 1 dan 2 diperlihatkan hasil keakuratan dari mencapai 77.53% dan hasil yang diperoleh dari prediksi prediksi ANFIS ditinjau dari presentase maupun RMSE. ANFIS yang hanya mencapai 59.72%, hal ini disebabkan karena iklim pada tahun 2010 mengalami kondisi cuaca Tabel 1. Validasi Hasil Prediksi Hujan Sistem ekstrim yaitu penyimpangan iklim yang memicu ANFIS Observasi Tahun 2009 terjadinya hujan pada musim kemarau (La Nina). Hujan La Nina adalah gejala gangguan iklim yang diakibatkan No. ANFIS Cerah Sangat suhu permukaan laut Samudera Pasifik dibandingkan Ringan Sedang Lebat Lebat dengan daerah sekitarnya. Akibat dari La Nina adalah 1 Observasi 278 39 31 15 2 hujan turun lebih banyak di Samudera Pasifik sebelah barat Australia dan Indonesia. 2 Prediksi 226 93 38 3 4 Jumlah benar 283 hari V. KESIMPULAN (hari) Jumlah salah 1. RMSE (Root Mean Square Error) rata-rata hasil 82 hari (hari) prediksi tahun 2009 dan 2010 masing-masing sebesar Keakuratan (%) 77.53% 0.339 dan 0.991. Hasil ini merupakan evaluasi hasil prediksi ANFIS terhadap data observasi BMKG untuk menunjukkan keakuratan sistem ANFIS. 2. Validasi curah hujan tahun 2009 dengan metode ANFIS mencapai 77.53%. Sementara validasi curah hujan 2010 dengan metode ANFIS dengan data input checking
Seminar Nasional Teknik Informatika (SNATIKA) 2013 101
ISBN : 978-602-8509-20-6 menggunakan neural network mencapai 59.72%. Ketidaktepatan prediksi hujan tahun 2010 disebabkan cuaca ekstrim yaitu tingginya intensitas hujan pada musim kemarau.
DAFTAR PUSTAKA
[1] Jusriana, A. Prediksi Curah Hujan Kota Makassar dengan
Metode ANFIS. Universitas Negeri Makassar. 2009
[2] Fikha Christine dan Febriyati. Prediksi Curah Hujan Tahun
2011 di Wolayah Makassar Menggunakan Metode Neural Network-Fuzzy Logic, Tugas Akhir, Teknik Elektro 2012.
[3] Kusumadewi, Sri dan Sri Hartati. Neuro-Fuzzy Integrasi
Sistem Fuzzy dan Jaringan Syaraf. 2010.
011 Seminar Nasional Teknik Informatika (SNATIKA) 2013