LOGO
PENERAPAN FUZZY INFERENCE SYSTEM PADA PREDIKSI CURAH HUJAN DI SURABAYA UTARA
Oleh: DYNES RIZKY NAVIANTI (1208100017) JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2012
Latar Belakang Informasi Curah Hujan sangat Penting Permasalahan Kota Penelitian sebelumnya Prediksi Curah Hujan dengan menerapkan metode FIS
Kebijakan pemerintah setempat
Rumusan Masalah Dalam tugas akhir ini, rumusan masalah yang akan dibahas: Diterapkan metode Fuzzy Inference System pada prediksi curah hujan di Surabaya Utara
Batasan Masalah B A T A S A N M A S A L A H
1. Data yang digunakan merupakan data sekunder dari Stasiun Meteorologi Klas 3 Perak I Surabaya berupa data harian rata-rata curah hujan dari tahun 2008-2011 2. Iklim dalam kondisi normal 3. Variabel input yang diamati untuk mengamati terjadinya hujan berupa suhu udara, kelembaban relatif, kecepatan angin, tekanan udara, total lapisan awan, dan lama penyinaran matahari, sedangkan variabel output-nya berupa prediksi curah hujan pada waktu tertentu. 4. Metode yang digunakan Fuzzy Inference System tipe Mamdani yang diselesaikan dengan Matlab
Tujuan Tujuan dari penyusunan tugas akhir ini adalah: Melakukan prediksi curah hujan di Surabaya Utara dengan menerapkan metode Fuzzy Inference System
Manfaat
Mayarakat Umum: BMKG dapat memberi informasi mengenai curah hujan kepada masyarakat
Pemerintah Setempat: Informasi dari BMKG dapat dijadikan pertimbangan dalam mengambil keputusan
Penelitian Sebelumnya Fuzzy Clustering
FIS
Suhu Kelembaban Relatif Kecepatan Angin Awan
Lama Penyinaran Matahari Suhu Udara Kelembaban Relatif Kecepatan Angin Total Lapisan Awan Tekanan Udara
METEOROLOGI 1. Cuaca 2. Hujan:
a. Suhu b. Kelembaban relatif c. Kecepatan angin d. Tekanan udara e. Banyaknya lapisan awan f. Lama penyinaran matahari
PENALARAN FUZZY 1. Himpunan Logika Fuzzy 2. Fungsi Keanggotaan a. Fungsi Segitiga: trimf(x) = (x; a, b, c) b. Fungsi Trapesium: trapmf(x) = (x; a, b, c, d)
FUZZY INFERENCE SYSTEM 1. Fuzzifikasi 2. Mengkombinasikan nilai keanggotaan pada bagian premis untuk pembangkitan ukuran tiap aturan fuzzy 3. Membuat komposisi aturan fuzzy 4. Defuzzifikasi:
Metodologi Penelitian Mulai
Studi Literatur
Pengolahan Data
Perencanaan Variabel Linguistik Input-Output
Proses Penalaran
Penyelesaian dengan metode Fuzzy Inference System
Validasi Fuzzy Tidak Hasil dengan error kecil Ya Selesai
Perencanaan Variabel Linguistik Variabel Input: Suhu_Udara= {Sejuk, Normal, Panas} Interval himpunan semesta = [25,7, 31] Kelembaban_Relatif= {Kering, Lembab, Basah} Interval himpunan semesta = [59, 92] Kecepatan_Angin= {Lambat, Agak Kencang, Kencang } Interval himpunan semesta = [0, 12] Tekanan_Udara= {Rendah, Agak Tinggi, Tinggi} Interval himpunan semesta = [1006,0, 1014,8] Total_Lapisan_Awan= {Tipis, Agak Tebal, Tebal} Interval himpunan semesta = [0, 8] Lama_Penyinaran_Matahari = {Rendah, Sedang, Tinggi} Interval himpunan semesta = [0, 100] Variabel Output: Curah hujan= {Ringan, Sedang, Agak Lebat, Lebat} Interval himpunan semesta = [0, 74,6]
Proses Penalaran merupakan bentuk pernyataan “If-Then” berbasis penalaran Keterangan: If adalah premis atau anteseden then adalah kesimpulan atau konsekuensi Contoh: If suhu_udara (Sejuk), and kelembaban_relatif (Lembab), and tekanan_udara (Rendah), and kecepatan_angin (Kencang), and total_lapisan_awan (Tipis), then curah_hujan (Deras)
Sistem Inferensi Fuzzy
FIS: Kelembaban Relatif
Fuzzifikasi
Total Lapisan Awan
Aplikasi Fungsi Implikasi
Curah Hujan Suhu
Komposisi Aturan Fuzzy
Kecepatan Angin
Defuzzyfikasi
Tekanan Udara
Aturan 1
Aturan 2
Hasil Komposisi Tiap Aturan
Pengujian Fuzzy
Brier Score
BS =
Akurasi tiap bulan No
Bulan
Prosentase
1
Januari
70,96%
2
Februari
64,28%
3
Maret
61,29%
4
April
60%
5
Mei
83,87%
6
Juni
90%
7
Juli
93,54%
8
Agustus
9
September
93,33%
10
Oktober
90,32%
11
November
60%
12
Desember
64,51%
Rata-rata
77,68%
100%
Kesimpulan 1. Dengan menerapkan metode Fuzzy Inference System, diperoleh model berbasis aturan, yaitu model pada musim penghujan dan model pada musim kemarau. 2. Model yang diperoleh memiliki rata-rata akurasi sebesar 77,68% terhadap data yang dianalisis. Hasil akurasi tertinggi pada model musim penghujan = 70,96% pada bulan Januari, sedangkan akurasi pada model musim kemarau = 100% pada bulan Agustus.
Daftar Pustaka [1] Safanah, S. (2008). Prediksi Hujan di Surabaya dengan Menggunakan Fuzzy Clustering, Tugas Akhir, Teknik Fisika, ITS [2] Waryono, dkk. 1987. Pengantar Meteorologi dan Klimatologi. Surabaya: PT Bina Ilmu [3] Kodoatie, R. J., dan Sjarief, R. 2010. Tata Ruang Air. Yogyakarta: Andi [4] Kusumadewi, S., dan Hartati, S. 2006. Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Tiruan. Yogyakarta: Graha Ilmu [5] Pandjaitan, L. W. 2007. Dasar-Dasar Komputasi Cerdas. Yogyakarta: Andi [6] Suyanto. 2011. Artificial Intelligence. Bandung: Informatika [7] Asklany, S. A., Elhelow, K., Youssef, I. K., El-wahab, M. A. (2011). “Rainfall Events Prediction Using Rule-Based Fuzzy Inference System”. Journal of Atmospheric Research, Vol 101, Hal 228-236. [8] Arhami, M. 2005. Konsep Dasar Sistem Pakar. Yogyakarta: Andi
LOGO
Add your company slogan
