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 terparameter

  11 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 lapis

  32 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 88

  79 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 Function

  77 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 – Options

  68 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

Gambar 4.13 Tampilan Layar Main Menu selama proses pelatihanGambar 4.40 Tampilan Layar Surface Viewer (Options – Color Map –Gambar 4.34 Tampilan Layar Surface Viewer (Options – Plot – Mesh) 105Gambar 4.35 Tampilan Layar Surface Viewer (Options – Plot – X Mesh) 106Gambar 4.36 Tampilan Layar Surface Viewer (Options – Plot – Y Mesh) 106Gambar 4.37 Tampilan Layar Surface Viewer (Options – Plot –

  Contour)

  107

Gambar 4.38 Tampilan Layar Surface Viewer (Options – Plot – Pseudo

  Color)

  107

Gambar 4.39 Tampilan Layar Surface Viewer (Options – Plot – Quiver) 108

  Blue)

  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 111

  Gambar

  4.45 Grafik data curah hujan bulanan Jakarta setelah dinormalisasi 112 Gambar

  105

Gambar 4.33 Tampilan Layar Surface Viewer (Options – Plot – Lit

  ANFIS

Gambar 4.24 Tampilan Layar Membership Functions 97

  89 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 102

  4.46 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) dengan

  format [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) dengan

  format [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) dengan

  format [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 prediksi

  ANFIS (Koefisien korelasi = 0,9118) 126