ANALISIS DAN PERANCANGAN PROGRAM APLIKASI DENGAN STRUKTUR ADAPTIVE NEURO-FUZZY INFERENCE SYSTEMS (ANFIS) UNTUK PREDIKSI CURAH HUJAN: STUDI KASUS DI BADAN METEOROLOGI DAN GEOFISIKA
UNIVERSITAS BINA NUSANTARA
_________________________________________________________________________
Program Ganda Teknik Informatika – Statistika
Skripsi Sarjana Program Ganda Semester Ganjil 2006/2007
ANALISIS DAN PERANCANGAN PROGRAM APLIKASI DENGAN
STRUKTUR ADAPTIVE NEURO-FUZZY INFERENCE SYSTEMS
(ANFIS) UNTUK PREDIKSI CURAH HUJAN:
STUDI KASUS DI BADAN METEOROLOGI DAN GEOFISIKA
Linda NIM: 0600665392
Abstrak
Curah hujan di Indonesia sangat kompleks, labil, dan memiliki variabilitas sangat besar. Hasil prediksi curah hujan yang kurang akurat menjadi kendala yang sangat serius bagi bidang pengairan, perhubungan, dan pertanian. Metode peramalan konvensional seperti analisis deret waktu yaitu analisis harmonik dan ARIMA, serta analisis regresi yang selama ini digunakan di BMG tidak dapat menjadi alat prediksi yang akurat. Neuro-fuzzy dan soft computing merupakan alat prediksi alternatif yang mampu membangun model berdasarkan data pada sistem target dan telah diterapkan untuk memprediksi perilaku sistem, seperti prediksi deret waktu dan peramalan cuaca.
Struktur Adaptive Neuro-Fuzzy Inference Systems (ANFIS) menggabungkan fitur-fitur terbaik dari sistem neuro-fuzzy dan soft computing agar prediksi curah hujan menjadi lebih tepat dan akurat. Analisis dilakukan pada daerah Jakarta untuk memperoleh parameter karakteristik daerah sehingga hasil prediksi menjadi lebih akurat dan obyektif.
Data curah hujan bulanan tahun 1976-2006 digunakan dalam penelitian ini. Data 27 tahun pertama digunakan untuk pembelajaran, 4 tahun diantaranya digunakan untuk cek, dan data 2 tahun terakhir diprediksi. Data disusun ke dalam deret waktu dengan P = ∆ = 12 dan D sebesar 2, 3, dan 4, yaitu prediksi berdasarkan data 2, 3, dan 4 tahun. Struktur ANFIS dibangkitkan dengan substractive clustering dan parameter range of influence divariasikan dari 0,200 sampai 0,400 dengan kenaikan sebesar 0,005.
Model hasil identifikasi ANFIS dievaluasi nilai RMSE-nya sehingga diperoleh model curah hujan terbaik dengan parameter range of influence optimal. Berdasarkan keseluruhan hasil analisis, disimpulkan ANFIS memiliki akurasi yang tinggi dibandingkan metode-metode konvensional seperti regresi dan ARIMA. Pelatihan sistem
n
mencapai hasil yang terbaik ketika jumlah MF variabel input berada disekitar 2 , dimana n adalah dimensi variabel input sistem dan n terletak diantara 2 dan 4.
Kata Kunci:
Sistem neuro-fuzzy, ANFIS, metode pelatihan hibrid, fuzzy clustering, prediksi, curah hujan bulanan.
PENGANTAR
Sebelumnya penulis mengucapkan syukur dan terima kasih kepada Allah Bapa yang maha kuasa, karena penulis telah dimampukan untuk dapat menyelesaikan Skripsi ini dengan baik. Walaupun tugas membuat Skripsi ini terasa berat oleh penulis, namun berkat pertolongan Tuhan Yesus dan bimbingan dari para dosen juga, akhirnya Skripsi ini dapat diselesaikan walaupun masih jauh dari kesempurnaan. Penulis menyadari masih Skripsi ini masih belum sempurna, sehingga penulis sangat mengharapkan bantuan berupa kritik dari dosen serta cara-cara yang baik untuk menyusun karya ilmiah untuk perbaikan di masa yang akan datang.
Pada kesempatan ini, penulis juga mengucapkan terima kasih kepada orang- orang yang telah mendukung, membantu, meluangkan waktu serta memberikan petunjuk dalam mewujudkan Skripsi ini, yaitu kepada:
1. Bapak Prof. Dr. Drs. Geraldus Polla, MAppSc., selaku Rektor Universitas Bina Nusantara.
2. Bapak Wikaria Gazali, S.Si., MT., selaku Dekan Fakultas MIPA.
3. Bapak Ngarap Imanuel Manik, Drs., M.Kom., selaku Ketua Jurusan Matematika dan Statistika.
4. Bapak Rojali, S.Si., selaku Sekretaris Jurusan Matematika dan Statistika.
5. Bapak Haryono Soeparno, Ir., M.Sc., Dr., selaku dosen pembimbing skripsi yang banyak memberikan waktu, pengarahan dan koreksi dalam penulisan skripsi ini.
6. Bapak Stanislaus S. Uyanto, Ir., MA, Ph.D., selaku dosen pembimbing skripsi yang telah memberikan petunjuk dalam penulisan dan perancangan program.
7. Bapak Samuel Wibisono, Drs., MT. selaku dosen Pusdiklat BMG dan Bapak Nuryadi, S.Si. selaku Kepala Sub Bidang Analisa Iklim dan Agroklimat BMG yang telah banyak menolong penulis dalam melakukan wawancara, survei, dan mengambil data; Bapak Prof. Dr. Mezak Arnold Rapaq selaku pimpinan BMG yang telah memberi izin kepada penulis untuk mejadikan BMG sebagai obyek penelitian skripsi; serta Bapak Donaldi Sukma Permana, S.Si. dan Bapak Hastuadi Harsa, S.St. selaku Staff Puslitbang BMG yang telah menolong dan memberikan masukan kepada penulis.
8. Orang tua yang telah mendukung dalam biaya perkuliahan dan Skripsi serta memberikan dukungan semangat terus menerus.
9. Teman-teman Persekutuan Oikoumene Bina Nusantara yang senantiasa memperhatikan dan senantiasa mendoakan penulis di saat penulisan Skripsi ini.
10. Saudara dan teman-teman yang lain yang telah membantu dalam dukungan doa dan semangat.
11. Pihak-pihak yang tidak disebutkan satu per satu tetapi yang juga turut mendukung di dalam penulisan ini.
Akhir kata penulis berharap semoga skripsi ini dapat berguna bagi setiap orang yang membacanya.
Jakarta, 26 Januari 2007 Penulis Linda 0600665392
DAFTAR ISI
Halaman Abstrak iv PENGANTAR v DAFTAR ISI vii
DAFTAR TABEL xi
DAFTAR GAMBAR xii
DAFTAR LAMPIRAN xvi
BAB 1 PENDAHULUAN
1.1 Latar Belakang
1
1.2 Rumusan Rancangan
3
1.3 Ruang Lingkup
3
1.4 Komponen Rancangan
4
1.5 Spesifikasi Rancangan
4
1.6 Tujuan dan Manfaat Rancangan
5
1.6.1 Tujuan Rancangan
5
1.6.2 Manfaat Rancangan
5
1.7 Metodologi Penelitian
6
1.8 Metodologi Rancangan
6 BAB 2 LANDASAN TEORI
2.1 Neuro-Fuzzy dan Soft Computing
7
2.1.1 Pengertian Neuro-Fuzzy dan Soft Computing
7
2.1.2 Karakteristik Neuro-Fuzzy dan Soft Computing
8
2.2 Teori Himpunan Fuzzy
9
2.2.1 Himpunan Fuzzy
9
2.2.2 Aturan Fuzzy dan Penalaran Fuzzy
13
2.2.3 Sistem Inferensi Fuzzy
16
2.3 Metode Kuadrat Terkecil untuk Identifikasi Sistem
18
2.3.1 Identifikasi Sistem
18
2.3.2 Penduga Kuadrat Terkecil
20
2.3.3 Penduga Kuadrat Terkecil Rekursif
22
2.4 Optimisasi Berbasis Derivatif
24
2.4.1 Metode Penurunan (Descent) 25
2.4.2 Metode Penurunan Tercuram (Steepest Descent) 27
2.4.3 Analisis untuk Kasus Kuadratik
27
2.5 Jaringan Syaraf Adaptif
29
2.5.1 Arsitektur
29
2.5.2 Perambatan Balik untuk Jaringan Feedforward 32
2.5.3 Aturan Pelatihan Hibrid: Mengkombinasikan SD dan LSE 35
2.6 ANFIS: Adaptive Neuro-Fuzzy Inference Systems
37
2.6.1 Arsitektur ANFIS
37
2.6.2 Algoritma Pelatihan Hibrid
39
2.7 Fuzzy Clustering
40
2.7.1 Fuzzy C-Means Clustering (FCM) 40
3.3.4 Perancangan Format Data
State Transition Diagram (STD)
52
3.3.2 Perancangan Layar
66
3.3.3 Perancangan Drop Down Menu Item
75
79 BAB 4 IMPLEMENTASI & EVALUASI
52
4.1 Spesifikasi Kebutuhan Program
80
4.1.1 Spesifikasi Hardware
80
4.1.2 Spesifikasi Software
80
4.2 Menjalankan Program Aplikasi
3.3.1 Perancangan
3.3 Perancangan Program Aplikasi
2.7.2 Substractive Clustering
3.1.3 Wewenang dan Tanggung Jawab
42 BAB 3 ANALISIS & PERANCANGAN
3.1 Gambaran Umum Lembaga
44
3.1.1 Sejarah Lembaga
44
3.1.2 Struktur Organisasi
45
45
51
3.2 Analisis Sistem yang Sedang Berjalan
49
3.2.1 Gambaran Sistem yang Sedang Berjalan
49
3.2.2 Permasalahan yang Dihadapi
49
3.2.3 Pemecahan Masalah
81
4.3 Penerapan dan Analisis 111
4.4 Evaluasi 127
BAB 5 SIMPULAN & SARAN
5.1 Simpulan 128
5.2 Saran 129
DAFTAR PUSTAKA 130
DAFTAR ACUAN 131
RIWAYAT HIDUP 132
LAMPIRAN 133 SURAT KETERANGAN SURVEI
DAFTAR TABEL
Halaman
Tabel 2.1 Dua pass dalam prosedur pelatihan hibrid untuk ANFIS 40Tabel 4.1 Hasil pelatihan ANFIS untuk prediksi dengan format [x(t-12)x (t); x(t+12)] 114
Tabel 4.2 Hasil pelatihan ANFIS untuk prediksi dengan format [x(t-24)x (t-12) x(t); x(t+12)] 117
Tabel 4.3 Hasil pelatihan ANFIS untuk prediksi dengan format [x(t-36)
x (t-24) x(t-12) x(t); x(t+12)] 121
Tabel L.1 Data curah hujan bulanan Jakarta tahun 1976-2006 L1 Tabel L.2 Hasil preprocessing data curah hujan bulanan Jakarta L1 Tabel L.3 Pasangan data deret waktu pelatihan dengan format [x(t-12)
(t); x(t+12)] L3
x
Tabel L.4 Pasangan data deret waktu pengecekan dengan format [x(t-12)
x (t); x(t+12)] L5
Tabel L.5 Pasangan data deret waktu pengetesan dengan format [x(t-12)
x (t); x(t+12)] L6
Tabel L.6 Pasangan data deret waktu pelatihan dengan format [x(t-24) x(t- 12) x(t); x(t+12)] L6
Tabel L.7 Pasangan data deret waktu pengecekan dengan format [x(t-24)
x (t-12) x(t); x(t+12)] L8
Tabel L.8 Pasangan data deret waktu pengetesan dengan format [x(t-24) (t-12) x(t); x(t+12)] L9
x
Tabel L.9 Pasangan data deret waktu pelatihan dengan format [x(t-36) x(t- 24) x(t-12) x(t); x(t+12)] L9
Tabel L.10 Pasangan data deret waktu pengecekan dengan format [x(t-36)
x (t-24) x(t-12) x(t); x(t+12)] L11
Tabel L.11 Pasangan data deret waktu pengetesan dengan format [x(t-36)
x (t-24) x(t-12) x(t); x(t+12)] L11
DAFTAR GAMBAR
58 Gambar 3.15 STD FIS Editor
STD Grid Partition
55 Gambar 3.8 STD Substractive Clustering
55 Gambar 3.9 STD Main Menu – Train FIS
56 Gambar 3.10 STD Main Menu – Test FIS
56 Gambar 3.11 STD Main Menu – Forecast Rainfall
57 Gambar 3.12
STD Main Menu – File
57 Gambar 3.13 STD Main Menu – Edit
58 Gambar 3.14 STD Main Menu – View
59 Gambar 3.16 STD FIS Editor
54 Gambar 3.6 STD Main Menu – Generate FIS
59 Gambar 3.17
STD FIS Editor – Edit
60 Gambar 3.18 STD Membership Function Editor
60 Gambar 3.19 STD Membership Function Editor – Edit
61 Gambar 3.20 STD Membership Functions
61 Gambar 3.21 STD Custom Membership Function
62 Gambar 3.22
STD Rule Editor
62 Gambar 3.23 STD Rule Editor – Edit
54 Gambar 3.7
53 Gambar 3.5 STD Main Menu – Load Data
Halaman
17 Gambar 2.10 Model fuzzy Sugeno
Gambar 2.1 Contoh empat kelas MF terparameter11 Gambar 2.2 Arti fisik dari parameter-parameter dalam suatu MF bel umum
11 Gambar 2.3 Grafik fungsi MF S
12 Gambar 2.4 Grafik fungsi MF Z
12 Gambar 2.5 Grafik fungsi MF pi
12 Gambar 2.6 Grafik fungsi MF sigmoid
13 Gambar 2.7 Fungsi implikasi min
14 Gambar 2.8 Fungsi implikasi dot
14 Gambar 2.9 Diagram blok untuk suatu sistem inferensi fuzzy
18 Gambar 2.11 Diagram blok untuk identifikasi parameter
53 Gambar 3.4 STD Structure
19 Gambar 2.12 Arah-arah penurunan yang layak
26 Gambar 2.13 Suatu jaringan syaraf feedforward dalam representasi lapis
29 Gambar 2.14 Dekomposisi dari node-node adaptif
30 Gambar 2.15 Suatu jaringan adaptif recurrent 31
Gambar 2.16 Konvensi notasional: representasi lapis32 Gambar 2.17 (a) Suatu model fuzzy Sugeno tingkat pertama dua input dengan dua aturan; (b) arsitektur ANFIS yang ekuivalen
37 Gambar 3.1 Struktur organisasi lembaga
45 Gambar 3.2
STD Main Menu
52 Gambar 3.3 STD Main Menu – ANFIS Info
63
Gambar 4.12 Tampilan Layar Main Menu – Train FIS 8879 Gambar 4.1 Tampilan Layar Main Menu 81
Gambar 3.48 Rancangan Drop Down Menu Item Main Menu – View 76Gambar 3.49 Rancangan Drop Down Menu Item FIS Editor – Edit 76Gambar 3.50 Rancangan Drop Down Menu Item Membership Function77 Gambar 3.51 Rancangan Drop Down Menu Item Rule Editor – Edit 77
Gambar 3.52 Rancangan Drop Down Menu Item Rule Editor – Options 77Gambar 3.53 Rancangan Drop Down Menu Item Rule Viewer – Options 78Gambar 3.54 Rancangan Drop Down Menu Item Surface Viewer –Options
78 Gambar 3.55 Struktur file untuk menyimpan pasangan data input-output
Gambar 4.2 Tampilan Layar Main Menu – ANFIS Info 82Gambar 3.46 Rancangan Drop Down Menu Item Main Menu – File 75Gambar 4.3 Tampilan Layar Structure 82Gambar 4.4 Tampilan Layar Main Menu – Load Data 83Gambar 4.5 Tampilan Layar Load Data dari ‘disk’84 Gambar 4.6 Tampilan Layar Load Data atau Load FIS dari ‘worksp’
84 Gambar 4.7 Tampilan Layar Main Menu setelah data di-load 85
Gambar 4.8 Tampilan Layar Main Menu – Generate FIS 85Gambar 4.9 Tampilan Layar Load FIS dari ‘disk’86 Gambar 4.10 Tampilan Layar Grid Partition 87
Gambar 4.11 Tampilan Layar Substractive Clustering 87Gambar 3.47 Rancangan Drop Down Menu Item Main Menu – Edit 75Gambar 3.45 Rancangan Layar Surface Viewer 74Gambar 3.24 STD Rule Editor – Options68 Gambar 3.33 Rancangan Layar Main Menu – Generate FIS
63 Gambar 3.25
STD Rule Viewer
64 Gambar 3.26 STD Rule Viewer – Options
64 Gambar 3.27 STD Surface Viewer
65 Gambar 3.28 STD Surface Viewer – Options
65 Gambar 3.29 Rancangan Layar Main Menu
66 Gambar 3.30 Rancangan Layar Main Menu – ANFIS Info
67 Gambar 3.31 Rancangan Layar Structure
67 Gambar 3.32 Rancangan Layar Main Menu – Load Data
68 Gambar 3.34 Rancangan Layar Grid Partition 69
Gambar 3.44 Rancangan Layar Rule Viewer 74Gambar 3.35 Rancangan Layar Substractive Clustering 69Gambar 3.36 Rancangan Layar Main Menu – Train FIS 70Gambar 3.37 Rancangan Layar Main Menu – Test ANFIS 70Gambar 3.38 Rancangan Layar Main Menu – Forecast 71Gambar 3.39 Rancangan Layar FIS Editor 71Gambar 3.40 Rancangan Layar Membership Function Editor 72Gambar 3.41 Rancangan Layar Membership Functions 72Gambar 3.42 Rancangan Layar Custom Membership Function 73Gambar 3.43 Rancangan Layar Rule Editor 73- – Edit
Contour)
107
Gambar 4.38 Tampilan Layar Surface Viewer (Options – Plot – PseudoColor)
107
Gambar 4.39 Tampilan Layar Surface Viewer (Options – Plot – Quiver) 108Blue)
Surface)
108
Gambar 4.41 Tampilan Layar Surface Viewer (Options – Color Map –Hot)
109
Gambar 4.42 Tampilan Layar Surface Viewer (Options – Color Map –HSV)
109
Gambar 4.43 Tampilan Layar Main Menu – About Me 110Gambar 4.44 Grafik data curah hujan bulanan Jakarta 111Gambar
4.45 Grafik data curah hujan bulanan Jakarta setelah dinormalisasi 112 Gambar
105
Gambar 4.33 Tampilan Layar Surface Viewer (Options – Plot – LitANFIS
Gambar 4.24 Tampilan Layar Membership Functions 9789 Gambar 4.14 Tampilan Layar Main Menu – Test FIS 90
Gambar 4.15 Tampilan Layar Main Menu setelah pengujian FIS 90Gambar 4.16 Tampilan Layar Main Menu – Forecast Rainfall 91Gambar 4.17 Tampilan Layar File – Import – From Workspace… 92Gambar 4.18 Tampilan Layar File – Import – From Disk… 92Gambar 4.19 Tampilan Layar File – Export – To Workspace… 93Gambar 4.20 Tampilan Layar File – Export – To Disk… 93Gambar 4.21 Tampilan Layar File – Print 93Gambar 4.22 Tampilan Layar FIS Editor 95Gambar 4.23 Tampilan Layar Membership Function Editor 96Gambar 4.25 Tampilan Layar Custom Membership Function 97Gambar 4.32 Tampilan Layar Surface Viewer 103Gambar 4.26 Tampilan Layar Rule Editor 98Gambar 4.27 Tampilan Layar Rule Editor (Options – Language –Deutsch)
99 Gambar 4.28 Tampilan Layar Rule Editor (Options – Language –
Francais)
100
Gambar 4.29 Tampilan Layar Rule Editor (Options – Format –Symbolic)
101
Gambar 4.30 Tampilan Layar Rule Editor (Options – Format – Indexed) 101Gambar 4.31 Tampilan Layar Rule Viewer 1024.46 Grafik data curah hujan bulanan Jakarta setelah dinormalisasi dan difilter 112
Gambar 4.47 Deret waktu data pelatihan, data awal (garis lurus) dan data hasil pelatihan ANFIS (garis putus-putus) dengan format[x(t-12) x(t); x(t+12)] 116
Gambar 4.48 Deret waktu data pengecekan, data awal (garis lurus) dan data hasil validasi ANFIS (garis putus-putus) denganformat [x(t-12) x(t); x(t+12)] 116
Gambar 4.49 Kesalahan proses pelatihan data dan pengecekan data dengan format [x(t-12) x(t); x(t+12)] 116Gambar 4.50 Deret waktu data pelatihan, data awal (garis lurus) dan data hasil pelatihan ANFIS (garis putus-putus) dengan format[x(t-24) x(t-12) x(t); x(t+12)] 119
Gambar 4.51 Deret waktu data pengecekan, data awal (garis lurus) dan data hasil validasi ANFIS (garis putus-putus) denganformat [x(t-24) x(t-12) x(t); x(t+12)] 119
Gambar 4.52 Kesalahan proses pelatihan data dan pengecekan data dengan format [x(t-24) x(t-12) x(t); x(t+12)] 120Gambar 4.53 Deret waktu data pelatihan, data awal (garis lurus) dan data hasil pelatihan ANFIS (garis putus-putus) dengan format[x(t-36) x(t-24) x(t-12) x(t); x(t+12)] 123
Gambar 4.54 Deret waktu data pengecekan, data awal (garis lurus) dan data hasil validasi ANFIS (garis putus-putus) denganformat [x(t-36) x(t-24) x(t-12) x(t); x(t+12)] 123
Gambar 4.55 Kesalahan proses pelatihan data dan pengecekan data dengan format [x(t-36) x(t-24) x(t-12) x(t); x(t+12)] 123Gambar 4.56 Plot MF awal untuk variabel input pertama sebelum pelatihan 124Gambar 4.57 Plot MF awal untuk variabel input kedua sebelum pelatihan 124Gambar 4.58 Plot MF akhir untuk variabel input pertama setelah pelatihan 125Gambar 4.59 Plot MF akhir untuk variabel input kedua setelah pelatihan 125Gambar 4.60 Deret waktu data pengetesan, data awal (garis lurus) dan hasil prediksi ANFIS (oo) 125Gambar 4.61 Galat prediksi ANFIS untuk data pengetesan 126Gambar 4.62 Korelasi silang antara data awal dengan hasil prediksiANFIS (Koefisien korelasi = 0,9118) 126