MODUL 9 Aplikasi Neural Network Dan Fuzzy Logic Pada Perkiraan Cuaca

MODUL 9
Aplikasi Neural Network dan Fuzzy Logic Pada Perkiraan Cuaca

Oriza Naufal Harish
10211110
Program Studi Fisika, Institut Teknologi Bandung, Indonesia
Email: Orizanaufalharish@yahoo.com
Asisten: Kingkin Permadi / 10210044

Nur Adhi Nugroho / 10210017
Muhamad Ilyas / 10210086
Tanggal Praktikum: 23-04-2014
Abstrak
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. Pada
percobaan kali ini kita akan menggunakan fuzzy logic untuk memperkirakan cuaca dengan data data cuaca seperti
temperature, kelembaban, tekanan, dan kecepatan angin pada daerah tertentu. Dengan rules yang telah disiapkan
kita akan mengkategorikan besarn besaran tersebut sehingga mendapatkan output yang kita inginkan. Pada fuzzy
logic ini kita menggunakan distribusi gaussian
Kata kunci: Distribusi Gausian, Fuzzy Logic, Peramalan Cuaca
I. Pendahuluan seperangkat aturan fuzzy, sistem dapat

mengkompensasi dengan cepat dan
Tujuan dari praktikum ini adalah efisien.[1]
memahami konsep dari neural network
dan fuzzy logic dan dapat
menggunakanfuzzy logic untuk
memperkirakan cuaca. Kemudian
membandingkan perkiraan cuaca dengan
cuaca sebenarnya
Logika Fuzzy adalah suatu proses
pengambilan keputusan berbasis aturan Gambar 1: struktur dasar fuzzy logic
yang bertujuan untuk memecahkan
masalah, dimana sistem tersebut sulit Beberapa tahapan pada sistem fuzzy logic
untuk dimodelkan atau terdapat adalah seperti pada gambar 1.
ambiguitas dan ketidakjelasan yang  Fuzzifikasi
berlimpah. Logika Fuzzy ditentukan  Penalaran (interference Machine)
oleh persamaan logika bukan dari  Aturan Dasar (rule Based)
persamaan diferensial komplek dan  Defusifikasi
berasal dari pemikiran yang
mengidentifikasi serta mengambil II. Metode penelitian
keuntungan dari grayness antara dua
ekstrem. Sistem logika fuzzy terdiri dari Dengan data yang telah diberikan
himpunan fuzzy dan aturan fuzzy. berupa data temperature, tekanan,
Subset fuzzy merupakan himpunan kelembaban, dan kecepatan angina
bagian yang berbeda dari variabel input pertama kita pindahkan 4 data tersebut
dan output. Aturan fuzzy berhubungan kedalam matlab. Kemudian kita lakukan
dengan variabel masukan dan variabel pengelompokan data dengan
output melalui subset. Mengingat menggunakan teknik fuzzy clustering
means (FCM) dengan perintah sebagai tekanan 5 dimulai dari sangat rendah,
berikut rendah, sedang, tinggi, dan sangat
tinggi. Untuk masing masing MF kita
[center,U,obj_fcn] = fcm(data,cluster_n)
masukan parameternya dari data center
hasil FCM secara berurutan. Lalu ganti
Ruas sebelah kiri (center, U,
tipe distribusi dengan distribusu
Obj_fcn) kita ganti namanya untuk
Gaussian. Kemudian untuk bagian range
membedakan jenis pengelompokan data.
kita masukan range setiap data
Pada ruas kanan (data cluster)
(temperature dan tekanan)
merupakan data yang akan kita
Kemudian kita atur output yang
kelompokan, dan n adalah berapa
kita inginkan, pada kasus ini output
banyak kita akan membagi data tersebut
berupa kecepatan angin (konstan)
Untuk percobaan pertama mencari
dengan 3 keluaran sedang, kencang, dan
besar kecepatan angin dari temperature
sangat kencang. Setelah input dan
dan tekanan, kita gunakan FCM untuk
output selesai kita atur. Sekarang kita
temperature dan tekanan dengan n = 5.
masuk pada rules (kotak putih pada
Kemudian untuk membuka window
gambar 1). Disini kita atur rules untuk
fuzzy kita ketikan’fuzzy’ pada
input dan output yang berupa IF, AND,
command windows. Makan akan keluar
THEN sesuai dengan rules yang ada
tampilan fuzzy seperti dibawah.
pada lampiran.
Percobaan 2 kita akan
memperkirakan data cuaca dengan 3
jenis data input yaitu temperature,
kelembaban, dan kecepatan angin.
Pertama kita lakukan FCM untuk 3 data
tersebut dengan n = 3. Kemudian
lakukan kembali langkan langkah fuzzy
diatas.
Hipotesa dari percobaan ini data hasil output
Gambar 2: tampilan fuzzy pada matlab berupa kecepatan angin dan cuaca akan sesuai
dengan rules yang diberikan
Kemudian pilih file kemudian new
FIS dan pilih sugeno. Disini kita akan
memulai memasukan data cuaca.
Pertama kita akan atur input yang kita
berikan. Untuk percobaan pertama
terdapat 2 input yaitu temperature dan
tekanan, untuk menambah input klik
edit lalu add variable pilih input. Setelah
itu masuk pada tampilan input. Pertama
kita hapus semua MF default yang ada
(membership function) kemudian kita
masukan MFs yang baru sesuai
kebutuhan. Untuk temperature 5 dan
III. Data dan Pengolahan
Table 1: data cuaca sebenarnya per 3 jam, Las Vegas USA 1-7 November 2013[2]
temperatu angi kelembaba tekana
NO tanggal Jam r n n n cuaca
1 1-Nov 2 9 6 38 1020 Cerah
2 5 8 6 45 1021 Cerah
3 8 9 7 50 1022 Cerah
4 11 14 6 38 1021 Cerah
5 14 21 5 28 1019 Cerah
6 17 23 4 25 1017 Cerah
7 20 19 2 34 1018 Cerah
8 23 13 2 35 1018 Cerah
9 2-Nov 2 12 2 39 1018 Cerah
10 5 10 3 39 1017 Cerah
11 8 12 2 38 1017 Cerah
12 11 17 2 25 1016 Cerah
13 14 22 3 20 1012 mendung
14 17 22 5 19 1011 mendung
15 20 17 4 25 1011 mendung
16 23 12 6 27 1010 cerah
17 3-Nov 2 10 4 31 1009 cerah
18 5 10 4 32 1009 cerah
19 8 10 4 32 1009 cerah
20 11 15 5 25 1010 cerah
21 14 22 4 22 1008 cerah
22 17 22 2 22 1007 cerah
23 20 16 2 29 1009 cerah
24 23 11 1 33 1010 cerah
25 4-Nov 2 10 8 36 1009 cerah
26 5 9 6 36 1008 mendung
27 8 11 7 37 1010 mendung
28 11 14 11 27 1011 mendung
29 14 15 11 27 1010 mendung
30 17 14 11 33 1010 cerah
31 20 12 9 37 1013 cerah
32 23 10 9 38 1016 cerah
33 5-Nov 2 4 10 37 1019 cerah
34 5 4 10 36 1021 cerah
35 8 4 10 38 1024 cerah
36 11 10 13 24 1024 cerah
37 14 14 10 19 1021 cerah
38 17 14 6 19 1021 cerah
39 20 13 4 24 1023 cerah
40 23 8 4 26 1024 cerah
41 6-Nov 2 6 6 30 1026 cerah
42 5 5 6 30 1026 cerah
43 8 6 6 29 1028 cerah
44 11 10 5 20 1027 cerah
45 14 18 5 17 1025 cerah
46 17 19 5 18 1024 cerah
47 20 14 3 24 1025 mendung
48 23 9 4 25 1025 mendung
49 7-Nov 2 8 4 26 1025 cerah
50 5 7 5 30 1024 cerah
51 8 9 5 32 1024 cerah
52 11 13 4 22 1023 mendung
53 14 20 3 19 1020 cerah
54 17 21 2 18 1018 mendung
mendung/huja
55 20 16 2 23 1018 n
56 23 11 2 26 1018 cerah
Tabel 2: Hasil Perkiraan cuaca pada percobaan

perkiraan perkiraan perkiraan angin Perbandingan perbandingan
angin cuaca (kategori) Cuaca angin
15.8 cerah tinggi benar salah
8.95 cerah sedang benar benar
5.41 cerah sedang salah benar
20.3 cerah tinggi benar benar
21.2 cerah tinggi salah salah
12.4 cerah tinggi salah salah
Tabel 3: persentase dan error perkiraan cuaca pada percobaan
perkiraan cuaca (%) Perkiraan kecepatan
angin (%)
error 21.4285714 30.3571429
Persentase benar 78.5714286 69.6428571
IV. Pembahasan program kali ini hanya di kategorikan
menjadi 3 bagian saja yaitu cerah, hujan,
Aspek aspek yang berpengaruh dan hujan lebat. Sedangkan pada kasus
dalam percobaan ini ada 4 yaitu sebenarnya terdapat banyak macam
temperature, kecepatan angin, macam kategori yang lainya misalkan
kelembaban, dan tekanan. Hubungan 4 berawan (mendung)
variable ini dengan cuaca adalah sebagai Program Fuzzy logic untuk
berikut. Variable temperature dan memperkirakaan cuaca dengan rules
tekanan mempengaruhi variable yang telah disediakan seperti pada
kecepatan angin. Dengan hubungan lampiran, sejauh ini cukup layak untuk
temperature dan kecepatan angin dijadikan perkiraan cuaca pada Las
berbanding terbalik serta kecepatan Vegas USA. Namun harus banyak yang
angin dan tekanan berbanding lurus. ditingkatkan misalkan aspek aspek yang
Kemudian cuaca dipengaruhi oleh mempengaruhi cuaca diperbanyak
kelembaban, temperature, dan kecepatan kemudian range data data dari aspek
angin. Semakin besar kelembaban maka aspek yang mempengaruhi cuaca di
semakin besar probabilitas cuaca akan perpanjang. Kemudian data iklim, siang
hujan. Semakin besar kecepatan angina dan malam untuk daerah yang akan
maka semakin besar probabilitas cuaca diperkirakaan ditambahakan pada aspek
akan hujan. Dan semakin kecil yang mempengaruhi cuaca.
temperature maka semakin besar Kegunaan dari memperkirakan
probabilitas cuaca akan hujan dan cuaca pada kehidupan sehari hari adalah
berlaku sebaliknya. mempermudah kegiatan untuk sehari
Setelah dibandingkan antara data hari misalkan di Negara Indonesia
perkiraan cuaca dan data cuaca dengan curah hujan yang cukup tinggi,
sebenarnya di Las Vegas pada tanggal jika perkiraan cuaca dapat di lakukan
1-7 November 2013. untuk perkiraan setiap 3-5 jam sekali dengan keakuratan
kecepatan angin mendapatkan yang cukup tinggi maka ketika akan
Persentase Benar ±69% jika kecepatan terjadi hujan warga warga pada daerah
angina di kategorikan menjadi 3 bagian rawan banjir akan bersiap siap untuk
(sedang, kencang, sangat kencang) menghadapi hujan yang berpotensi
berdasarkan data rules. Perlu ditekankan membuat banjir daerah tersebut atau
kembali jika perkiraan kecepatan angin orang orang dapat menyiapkan
tidak dikategorikan maka hasil perkiraan payung/jas hujan untuk menghadapi
kecepatan angina tersebut sangat tidak hujan. Dan ketika perkiraan cuaca akan
bagus hanya mencapai ±20% dengan cerah maka kita dapat melakukan
kisaran besaran kecepatan ±1 mph. kegiatan yang tidak bisa dilakukan
Untuk perbandingan data perkiraan ketika hujan tanpa khawatir akan
cuaca dengan data cuaca sebenarnya terjadinya hujan.
pada percobaan ini persentase benar
sebesar ±78%. Dengan nilai 78%.
Program perkiraan dengan V. Simpulan
menggunakan fuzzy logic ini cukup  Keakuratan program fuzzy logic untuk
akurat untuk memperkirakan cuaca di memperkirakan cuaca di Las Vegas USA
Las Vegas USA. Namun, cuaca pada pada matlab dengan rules yang disediakan,
untuk cuaca mencapai 78%, dan kecepatan
angin mencapai 69%
 Fuzzy logic dapat memperkirakan cuaca
dengan cukup akurat jika data dan rules
yang diberikan cukup mendetail
 Masih banyak aspek aspek yang dibutuhkan
agar program tersebut dapat
memperkirakan cuaca lebih akurat
VI. Pustaka
[1] Modul 9 Praktikum Fisika Komputasi

[2] http://www.worldweatheronline.com/Las-
Vegas-weather-history/Nevada/US.aspx cuaca
di Las Vegas USA tanggal 1-7 November 2013.
Diakses pada tanggal 24-04-2014 pukul 20.35
VII. Lampiran
Tabel 4: Rules Prediksi Kecepatan Angin
Kecepatan
No If Tekanan Temperatur
angin
sangat
1 sedang
rendah
2 rendah sedang
3 if sangat kecil sedang sedang
4 tinggi sedang
sanggat
5 sedang
tinggi
sangat
6 sedang
rendah
7 rendah sedang
8 if kecil sedang sedang
9 tinggi sedang
sanggat
10 sedang
tinggi
sangat
11 sedang
rendah
12 rendah sedang
13 if sedang sedang sedang
14 tinggi sedang
sanggat
15 sedang
tinggi
sangat
16 tinggi
rendah
17 rendah sedang
18 if besar sedang sedang
19 tinggi sedang
sanggat
20 sedang
tinggi
sangat
21 sangat tinggi
rendah
22 rendah tinggi
sangat
23 if sedang sedang
besar
24 tinggi sedang
sanggat
25 sedang
tinggi
Tabel 5: Rules Prediksi Cuaca
Kecepatan
No If Temperatur Kelembaban Cuaca
angin
1 Tinggi Hujan
2 Rendah Sedang Hujan
3 Rendah Cerah
4 Tinggi Cerah
5 If Sedang Sedang Sedang Cerah
6 Rendah Cerah
7 Tinggi Cerah
8 Tinggi Sedang Cerah
9 Rendah Cerah
Hujan
10 Tinggi
Lebat
Rendah
11 Sedang Hujan
12 Rendah Hujan
13 Tinggi Hujan
If Kencang
14 Sedang Sedang Cerah
15 Rendah Cerah
16 Tinggi Cerah
18 Rendah Cerah
Hujan
19 Tinggi
Lebat
Rendah Hujan
20 Sedang
Lebat
21 Rendah Hujan
22 If Sangat Kencang Tinggi Hujan
23 Sedang Sedang Hujan
24 Rendah Hujan
25 Tinggi Cerah
27 Rendah Cerah

MODUL 9 Aplikasi Neural Network Dan Fuzzy Logic Pada Perkiraan Cuaca

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

MODUL 9 Aplikasi Neural Network Dan Fuzzy Logic Pada Perkiraan Cuaca

Diunggah oleh

Hak Cipta:

Format Tersedia

MODUL 9

Aplikasi Neural Network dan Fuzzy Logic Pada Perkiraan Cuaca

Asisten: Kingkin Permadi / 10210044

I. Pendahuluan seperangkat aturan fuzzy, sistem dapat

Tabel 2: Hasil Perkiraan cuaca pada percobaan

[1] Modul 9 Praktikum Fisika Komputasi

Anda mungkin juga menyukai