IMPLEMENTASI ADAPTIVE NEURO FUZZY INFERENCE SYSTEM

(ANFIS) UNTUK PREDIKSI KETINGGIAN GELOMBANG LAUT

(Studi Kasus : Perairan di Pulau Bintan)

Erdha Firdianty, Martaleli Bettiza, Nola Ritha,

31erdha@gmail.com, mbettiza@umrah.ac.id, nola.ritha@umrah.ac.id

Jurusan Teknik Informatika, Fakultas Teknik, Universitas Maritim Raja Ali Haji

ABSTRAK
Salah satu faktor yang penting bagi pelayaran di pulau bintan yaitu mengenai
informasi ketinggian gelombang laut. Karena begitu banyak kegiatan yang
dilakukan pada perairan pulau bintan. Sehingga informasi akan ketinggian
gelombang laut sebagai hal yang wajib diketahui. Untuk mewaspadai kegiatan
masyarakat akan bahaya gelombang tinggi yang sewaktu-waktu bisa terjadi.
Sehingga dapat meminimalisir kecelakaan yang disebabkan oleh kondisi
gelombang laut diperairan. Dalam hal ini diperlukan sebuah sistem yang mampu
memprediksi ketinggian gelombang laut dalam 24 jam setiap harinya. Dengan
menggunakan data ketinggian gelombang laut harian 24 jam dari 1 desember 2015
sampai 29 februari 2016. Penerapan metode prediksi yang digunakan adalah
ANFIS (Adaptive Neuro Fuzzy Inference System) dengan menerapkan metode
Fuzzy K-Means untuk melakukan fuzzifikasi generalized bell. Dilakukan pelatihan
dan pengujian dengan membagi data ketinggian gelombang laut menjadi 70%
untuk pelatihan dan 30% untuk pengujian. Digunakan 4 model arsitektur ANFIS
pelatihan dan pengujian yang dilakukan yaitu arsitektur ANFIS pada 1, 2, 3 dan 4
input. Diperoleh hasil prediksi terbaik pada arsitektur ANFIS model ke 4 dengan
rata-rata kesalahan sebesar 0.362 untuk prediksi perjam dan 0,041 dihasilkan pada
prediksi harian, yang diukur menggunakan RMSE (Root Mean Square Error).
Kata Kunci : Prediksi, Gelombang, Adaptive Neuro Fuzzy Inference System

PENDAHULUAN
Pulau bintan yang terdapat Kota Tanjungpinang, merupakan Ibu kota Provinsi
Kepulauan Riau. Pulau Bintan terletak antara posisi antara °00′ Lintang Utara
1°20′ Lintang Selatan dan 104°00′ Bujur Timur 108°30′ Bujur
Barat.(bintankab.go.id). Karena dilihat dari geografis wilayah Kepulauan Riau
khusunya pulau Bintan yang sebagian besarnya adalah wilayah yang dibatasi
dengan laut. Sehingga jalur laut merupakan transportasi utama untuk
menghubungkan antar pulau di Kepulauan Riau. Ancaman terhadap kasus
kecelakaan dilaut harus menjadi perhatian seluruh pihak, bukan hanya perusahaan
pemilik kapal tetapi juga pemerintah, instansi terkait dan masyarakat. Penyebab
utama kecelakaan laut pada umumnya antara lain faktor kelebihan muatan dari
daya angkut yang ditetapkan, faktor lain berupa cuaca yang buruk terutama akibat
gelombang tinggi.
Dengan adanya jalur transportasi laut di perairan pulau Bintan. Sangatlah
diperlukan informasi menengenai ancaman ketinggian gelombang laut. Untuk itu

1
 dibutuhkan pengoptimalan terhadap ancaman ketinggian gelombang laut untuk
keamanan jalur pelayaran laut. Ketinggian gelombang laut setiap hari tidaklah
selalu sama, sehingga diperlukan prediksi ketinggian gelombang laut demi
tercapainya keamanan dalam penyeberangan transportasi laut.
Pada penelitian ini digunakan data ketinggian gelombang harian dalam 24 jam
dipulau bintan dari 1 desember 2015 sampai 29 februari 2016 dengan posisi
Lintang 0º5' U ( N ) dan Bujur 104º27' T ( E ) yang didapat dari BMKG
Tanjungpinang. Setelah data-data terkumpul, selanjutnya akan dibangun hasil
implementasi adaptive neural fuzzy inference system untuk prediksi data ketingian
gelombang laut perairan laut bintan. Selanjutnya hasil prediksi akan digunakan
untuk menghitung tingkat akurasi prediksi menggunakan RMSE (Root Means
Square Error).
BAHAN DAN METODE
Lokasi dan fokus penelitian ini adalah ketinggian gelombang laut perairan Bintan,
yang mengimplementasikan metode adaptive neural fuzzy inference system.
Mengacu pada sumber data dari BMKG Tanjungpinang. Hasil prediksi ketinggian
gelombang laut menggunakan ANFIS dapat dilihat dari rendahnya nilai error yang
didapat. Data yang digunakan adalah data ketinggian gelombang laut harian dari 1
desember 2015 sampai 29 febuari 2016. Berikut ini merupakan langkah-langkah
dalam mengimplementasikan metode ANFIS untuk melakukan prediksi ketinggian
gelombang laut perairan pulau bintan :
1. Mengelompokkan data dan mencari tik pusat (centroid) dengan metode K-
Means
2. Mencari nilai parameter premis awal menggunakan mean dan standar
deviasi dari hasil langkah pertama
3. Menghitung nilai pada tiap lapisan dari lapisan 1 sampai lapisan 5,
merupakan proses perhitungan maju pada metode ANFIS.
4. Menghitung nilai error terkecil pada hasil prediksi menggunakan RMSE
5. Menghitung mundur dengan proses error backpropagation tiap lapisan dari
lapisan 5 sampai lapisan 1 untuk mendapatkan nilai parameter premis baru
yang akan dilanjutkan untuk mencapai iterasi maksimum.

HASIL DAN PEMBAHASAN

Data training dan data testing pada sistem prediksi ketinggian gelombang laut
perairan pulau bintan yaitu 70% dan data testing 30%. Inputan data untuk proses
prediksi dilakukan kombinasi 4 inputan. Tujuan digunakan kombinasi inputan
untuk membandingkan inputan yang mendekati hasil target prediksi. Untuk
memperoleh hasil prediksi yang optimal dilakukan pelatihan menggunakan nilai
learning rate pada rentang nilai 0.1 sampai 0.9. Kemudian hasil akurasi prediksi
dapat dilihat dari hasil error terkecil yang dihitung dengan RMSE (Root Mean
Square Error). Semakin kecil hasil RMSE yang didapat maka semakin akurat hasil
prediksi yang didapat.
Kombinasi data untuk pelatihan dan pengujian prediksi ketinggian gelombang laut
ditunjukkan pada Tabel 1 di bawah ini.

2
Tabel 1. Pasangan input-output data pelatihan dan pengujian

Jumlah Input Variabel

1 xt, xt+1
2 xt-1, xt, xt+1
3 xt-2, xt-1, xt, xt+1
4 xt-3, xt-2, xt-1, xt, xt+1

Masing-masing model data set yang telah dilatih dan diuji akan dibandingkan untuk
menemukan model arsitektur ANFIS terbaik yang memberikan hasil prediksi yang
optimum. Hasil pengujian yang dilakukan pada data latih menggunakan learning
rate antara 0.1 sampai 0.9 untuk memperoleh struktur jaringan terbaik yang
digunakan untuk pengujian, maka dilakukan pelatihan untuk mendapatkan learning
rate terbaik yang diukur dengan RMSE untuk tingkat akurasinya. Berikut ini grafik
perbandingan pada learning rate 0.1 sampai 0.9 dengan tingkat akurasi pada RMSE
dari model pertama sampai keempat.

Tabel 2. Pengaruh learning rate terhadap nilai RMSE

RMSE
1 2 3 4
LR Inputan Inputan Inputan Inputan
0.1 0.675 0.623 0.579 0.578
0.2 0.65 0.593 0.563 0.534
0.3 0.636 0.562 0.538 0.519
0.4 0.627 0.642 0.585 0.576
0.5 0.622 0.64 0.628 0.573
0.6 0.632 0.64 0.6 0.599
0.7 0.628 0.634 0.62 0.582
0.8 0.626 0.638 0.616 0.58
0.9 0.621 0.643 0.615 0.591

Dari tabel diatas pada learning rate 0.3 untuk model 2 inputan sampai 4 inputan
terdapat nilai RMSE yang terendah, sehingga pada penelitian ini penulis
menggunakan nilai learning rate 0.3 pada data pelatihan dan pengujian.
Prediksi ketinggian gelombang laut diambil dari hasil pengujian yang memberikan
rata-rata kesalahan terkecil yang diukur menggunakan RMSE. Berikut ini
merupakan grafik perbandingan rata-rata kesalahan pada proses pelatihan dan
pengujian dari masing-masing model data set.

3
Gambar 1. Grafik perbandingan RMSE pada data latih dan uji dari semua model
Dari grafik diatas pada keempat model data set tersebut rata-rata kesalahan
terkecil pada data uji diperoleh dari data set model ke-4. Sehingga dapat
disimpulkan bahwa arsitektur ANFIS terbaik yang memberikan hasil prediksi
dengan rata-rata kesalahan terkecil adalah arsitektur ANFIS pada model ke-4
dengan rata-rata kesalahan pengujian 0.362.

Selanjutnya peneliti akan membahas tentang perbedaan hasil pelatihan dan

pengujian. Pada data rata- rata harian ketinggian gelombang laut perairan laut
bintan dengan data perjam sebelumnya. Perbedaan yang dilihat dari nilai
kesalahan yang terkecil menggunakan RMSE. Data yang digunakan sama dengan
data sebelumnya. Namun data sebelumnya di rata-ratakan terdahulu untuk
mendapatkan rata – rata ketiggian gelombang harian

Tabel 3. Hasil perbandingan nilai RMSE

Model RMSE 24 JAM RMSE Harian

Data Pelatihan Pengujian Pelatihan Pengujian
1 0.636 0.376 0.227 0.051
2 0.562 0.359 0.224 0.045
3 0.538 0.365 0.26 0.042
4 0.508 0.362 0.23 0.041

KESIMPULAN

Dari hasil pengujian yang dilakukan dapat diketahui bahwa arsitektur ANFIS
terbaik pada learning rate 0.3 dengan empat variabel input dan satu variabel
output. Kemudian rata-rata kesalahan terkecil pengujian yang diukur dengan
RMSE pada data prediksi harian sebesar 0.041, hal ini menunjukkan bahwa
ANFIS memberikan hasil yang mendekati akurat untuk melakukan prediksi
ketinggian gelombang laut di Pulau Bintan.

4
 DAFTAR PUSTAKA
Agustin, F.E.M., Fitria, A., Hanifan, S., 2015, Implementasi Algoritma K-means
untuk Menentukan Kelompok Pengayaan Materi Mata Pelajaran Ujian
Nasional (Studi Kasus: SMP Negeri 101 Jakarta), Vol.8, No.1,
http://www.e-jurnal.com/2015/11/, 2 April 2017.

Azizah, N., Adi, K., Widodo, A., 2013, Metode Adaptive Neuro Fuzzy Inference
System (ANFIS) untuk Prediksi Tingkat Layanan Jalan. Jurnal Sistem
Informasi Bisnis, Vol. 10(2), Hlm 127-131, http://ejournal.undip.ac.id, 23
Januari 2017.

Bekalani, A.I., Yudha, A., dan Muhammad I.J., 2013, Prediksi Tingi Signifikan
Gelombang Laut di Sebagian Wilayah Perairan Indonesia Menggunakan
Jaringan Syaraf Tiruan Metode Propogasi Balik, Prisma Fisika, Vol.I,
No.1, Hlm.40-49, 20 Oktober 2017.

Bhusara, N.O., Abraham, A., 2015, Using Adaptive Neuro-Fuzzy Inference

System (ANFIS) to Improve the Long-term Rainfall Forecasting, Journal
of Network and Innovative Computing, Vol. 3, Hlm 146-158,
www.mirlabs.net/jnic/index.html, 20 Oktober 2017.

Defit, S., 2013, Perkiraan Beban Listrik Jangka Pendek Dengan Metode
Adaptive Neuro Fuzzy Inference System, Jurnal Ilmiah Saintikom,
Vol.12, No.3,ISSN:1978-6603, Hlm.165-176.

Dewi, C., dan Werdha, W. H., 2015, Prediksi Tingkat Pengangguran

Menggunakan Adaptif Neuro Fuzzy Inference System (ANFIS),
Konferensi Nasional Sistem & Informatika, STMIK STIKOM, Bali, Hlm.
288-231.

Dewi, C., Kartikasari, D. P., dan Mursityo, Y. T., 2014, Prediksi Cuaca Pada
Data Time Series Menggunakan Adaptive Neuro Fuzzy Inference System
(ANFIS), Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), Vol.
1, No. 5, Hlm. 18-24.

Farida, Y., (2016), Sistem Prediksi Saham Menggunakan Adaptive Neuro Fuzzy
Inference System (Sudi Kasus Saham Mingguan PT Astra Agro Lestari,
Tbk), Vol. 02, No. 02,
http://jurnalsaintek.uinsby.ac.id/index.php/SYSTEMIC/, 20 Oktober 2017.

Hani’ah, U., 2015, Implementasi Adaptive Neuro-Fuzzy Inference System

(ANFIS) Untuk Peramalan Pemakaian Air di Perusahaan Daerah Air
Minum Tirta Moedal Semarang, Scientific Journal of Informatics,
http://journal.unnes.ac.id, 12 Oktober 2017.

5
Hansun, S., 2012, Peramalan Data IHSG menggunakan Fuzzy Time Series,
Indonesian Journal Of Computing and Cybernetics Systems, hlm 79,
https://journal.ugm.ac.id, 22 Desember 2017.

Haryanto, F.A.S., Ernawati., Puspitaningrum, D., 2015, Implementasi Jaringan

Syaraf Tiruan Backpropagation Untuk Memprediksi Cuaca, Jurnal
Rekursif, Vol. 3, (No.2).

Jang, JSR. 1993. ANFIS: Adaptive-Network-Based Fuzzy Inference System.

IEEE Transactions on System,Man, Cybernetics Volume 23. Hal 665-685

Kalaiselvi, C., dan Nasira, G. M., 2014, A New Approach for Diagnosis of
Diabetes and Prediction of Cancer using ANFIS, World Congress on
Computing and Communication Technologies, WCCCT, Tirupur: India,
p. 188-190.

Kuncahyo, B.T., Ginardi, R.V.H., dan Arieshanti, Isye., 2012, Penerapan

Metode Adaptive Network Fuzzy Inference System Untuk Memprediksi
Nilai Post Test Mahasiswa Pada Jurusan Teknik Informatika FTIF ITS,
Makalah Seminar Tugas Akhir Periode Januari 2012, pp. 1-9, 2012.

Kurnia., 2017, Karakteristik Gelombang Laut Berdasarkan Musim Angin Di

Perairan Pulau Bintan, Skripsi, Universitas Maritim Raja Ali Haji,
Tanjungpinang.

Mohanty, S., 2014, ANFIS based Prediction of Monthly Average Global Solar
Radiation over Bhubaneswar (State of Odisha), International Journal of
Ethics in Engineering & Management Education, Vol.1, Hlm 97-101,
www.ijeee.in, 20 Oktober 2017.

Nasari,F., dan Sianturi, C.J.M, 2016, Penerapan Algritma K-Means Untuk

Pengelompokan Penyebaran Diare Di Kabupaten Langkat, Vol.2, No.2,
http://cogito.unklab.ac.id/index.php/cogito/article/download/19/20, 20
oktober 2017.

Nhita, F., Adiwijaya, Annisa, S., dan Kinarsih, S., 2015, Comparative Study of
Grammatical Evolution and Adaptive Neuro-Fuzzy Inference System on
Rainfall Forecasting in Bandung, International Conference on
Information and Communication Technology, ICoICT, Indonesia:
Bandung, Hlm 6-10.

Susanti, M., Handoko S., dan Winardi, B., 2016, Peramalan Beban Puncak
Harian pada PT. PLN (PERSERO) APB Jateng dan DIY Menggunakan
ANFIS (Adaptive Neuro-Fuzzy Inference System), 23 Januari 2017.

6
Sutojo, T., Mulyanto, E., dan Suharto, V., 2011, Kecerdasan Buatan,
Yogyakarta: Andi.

Suyanto, 2008, Soft Computing Membangun Mesin ber-IQ Tinggi, Bandung:

Informatika.

Suyanto, 2011, Artificial Intelligence, Bandung: Informatika.

Wati, L. 2017, Prediksi Ketinggian Gelombang Laut Perairan Pulau Bintan

Menggunakan Grammatical Evolution, Skripsi, Unoversitas Maritim Raja
Ali Haji, Tanjungpinang.

Ziasabonchi, N., Askerzade, I., 2014, ANFIS Based Classification Model for
Heart Disease Prediction, International Journal of Engineering & Computer
Science IJECS, Vol. 14, No. 02,
https://www.researchgate.net/publication/261727412, 20 Oktober 2017.