PERAMALAN CUACA KOTA SURABAYA TAHUN 2011 MENGUNAKAN METODE MOVING AVERAGE DAN KLASIFIKASI NAIVE BAYES Mohammad Aminudin Jurusan Teknik Informatika, Entin Martiana K. Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember Surabaya Kampus PENS-ITS Keputih Sukolilo Surabaya 60111 Telp (+62)31-5947280, 5946114, Fax. (+62)31-5946114 Email:
[email protected]
Abstrak
1. Dasar Teori
Di dalam suatu dunia ini ada suatu permasalahan dalam mengetahui keadaan cuaca dan di dalam suatu permasalahan teresebut saya menggunakan aplikasi peramalan cuaca yang digunakan untuk mengetahui suatu cuaca dalam suatu kota Surabaya pada tahun 2011 menggunakan metode moving average dan naive bayes klasifikasi yang digunakan untuk perhitungan dalam peramalan suatu cuaca tersebut. Sehingga peramalan ini juga kadang tepat dengan yang ada dan kadang pula salah sehingga kita hanya menggunakan perkiraan dalam suatu peramalan ini. Tapi dapat dipastikan lebih dari 50% dapat diakatan kebenarannya tapi kita juga tidak boleh terlalu percaya karena kita hanya dapat meramal dan yang menentukan ya tetap allah swt, jadi kita hanya dapat berusaha dengan menggunakan aplikasi ini.
Teori-teori yang digunakan dalam penyelesaian proyek akhir akan dibahas dalam bab ini sesuai kaitannya dengan Moving Average dan Naïve Bayes sebagai metode yang digunakan dalam.
Latar Belakang Peramalan mempunyai peranan penting dalam kehidupan sehari-hari. Prakiraan cuaca , penjadwalan staff, dan perencanaan produksi adalah beberapa contoh dari aplikasi peramalan, yang banyak orang ingin meramalkannya dengan hasil yang akurat. Meskipun telah banyak dikenal metode peramalan tetapi apabila data historisnya (data masa lalu) tersedia dalam bentuk nilai-nilai linguistic. Metode time series forecasting merupakan suatu metode peramalan yang di dalamnya terbagi dengan 2 teknik peramalan. Yaitu statistik dan kecerdasan buatan(AI). Teknik peramalan yang digunkaan merupakan teknik peramalan statistik menggunakan metode moving average (MA), metode MA yang dipakai yaitu Simple Moving Average (SMA), Exponential Moving Average (XMA) dan Weighted Moving Average (WMA). Dan untuk mendapatkan hasil dari cuacanya menggunakan metode bayesian untuk pengklasifikasian sehingga mendapatkan hasil kesimpulan pada cuaca yang didapatkan.
2.1 Peramalan Time Series(Forecasting) Peramalan (forecasting) adalah suatu kegiatan yang memperkirakan apa yang akan terjadi pada masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan akan terjadi pada masa yang akan datang. Metode peramalan merupakan cara untuk memperkirakan secara kuantitatif apa yang akan terjadi pada masa yang akan datang dengan dasar data yang relevan pada masa lalu. Dengan kata lain, metode peramalan ini digunakan dalam peramalan yang bersifat objektif. Metode peramalan merupakan cara untuk memperkirakan secara kuantitatif apa yang akan terjadi pada masa yang akan datang dengan dasar data yang relevan pada masa lalu. Oleh karena itu, metode peramalan termasuk dalam kegiatan peramalan kuantitatif. Keberhasilan dari suatu peramalan sangat ditentukan oleh pengetahuan teknik tentang informasi lalu yang dibutuhkan yaitu informasi yang bersifat kuantitatif. Serta teknik dan metode peramalannya. Data time series adalah data deret waktu yaitu sekumpulan data pada satu periode waktu tertentu sedangkan peramalan time series adalah peramalan berdasarkan perilaku data masa lampau untuk diproyeksikan ke masa depan dengan memanfaatkan persamaan matematika dan statistika. 2.2 Kegunaan Peramalan Di dalam bagian organisasi terdapat beberapa kegunaan peramalan diantaranya:
Tabel 2.1 Nilai Perhitungan Dari SMA 1.
2.
3.
Berguna untuk penjadwalan sumber daya yang tersedia. Penggunaan sumber daya yang efisien memerlukan penjadwalan produksi, transportasi, kas, personalia dan sebagainya. Input yang penting untuk penjadwalan seperti itu adalah ramalan tingkat permintaan konsumennya atau si pelanggan. Berguna dalam penyediaan sumber daya tambahan. Waktu tenggang (lead time) untuk memperoleh bahan baku, menerima pekerja baru atau pembelian mesin dan peralatan dapat berkisar antara beberapa hari sampai beberapa tahun. Peramalan digunakan untuk menentukan kebutuhan sumber daya di masa yang akan datang. Untuk menentukan sumber daya yang diinginkan. Setiap organisasi harus menentukan sumber daya yang dimiliki dalam waktu jangka panjang. Keputusan semacam ini bergantung kepada faktor-faktor lingkungan, manusia dan pengembangan sumber daya keuangannya. Semua penentuan ini memerlukan peramalan yang baik dan menajer yang dapat menafsirkan pendugaan serta membuat keputusan yang baik.
Walaupun banyak bidang lain yang memerlukan peramalan, namun tiga kelompok di atas merupakan bentuk khas dari kegunaan peramalan jangka pendek, menengah dan panjang. 2.3 Model peramalan Moving Average Merupakan indikator yang paling sering digunakan dan paling standar. Jika di Indonesiakan artinya kira-kira adalah rata-rata bergerak. Moving average sendiri memiliki aplikasi yang sangat luas meskipun sederhana. Dikatakan sederhana karena pada dasarnya metode ini hanyalah pengembangan dari metode rata-rata yang biasa kita kenal di sekolah . Moving average mempunyai tiga varian yang berbeda yaitu Simple Moving Average, Weighted Moving Average dan Exponential Moving Average. Masing-masing merupakan metode rata- rata bergerak, hanya saja cara me-rataratakannya yang berbeda satu sama lain. A.
Simple Moving Average (SMA) Jika saya mempunyai data 23, 24, 25, 26, 27, 28, 29 dan 30. Kemudian saya akan menerapkan metode SMA dengan 3 periode dan 4 periode maka hasilnya akan seperti ini:
Sampel 23 24 25 26 27 28 29 30 B.
SMA 3 periode (23+24+25)/3 = 24 (24+25+26)/3 = 25 (25+26+27)/3 = 26 (26+27=28)/3 = 27 (27+28+29)/3 = 28 (28+29+30)/3 = 29
SMA 4 Periode (23+24+25+26)/4 = 24.5 (24+25+26+27)/4 = 25.5 (25+26+27+28)/4 = 26.5 (26+27+28+29)/4 = 27.5 (27+28+29+30)/4 = 28.5
Exponential Moving Average XMA merupakan penyempurnaan dari metode SMA. Seperti kita ketahui bahwa pembobotan SMA merupakan penyebab yang mengakibatkan terjadinya keterlambatan sinyal perubahan trend. Pemberian bobot pada XMA sama seperti juga pada WMA, melibatkan periode. Hanya saja perbedaannya jika pada WMA semakin panjang periode yang kita gunakan maka semakin besar bobot nilai terakhirnya, maka pada XMA terjadi sebaliknya yaitu semakin panjang periode yang kita pakai maka semakin kecil pembobotan nilai terakhir yang kita pakai. Secara matematis XMA kita tuliskan dalam bentuk sebagai berikut
2 XMA CureentPr ice Pr everiousXMA Pr everiousXMA periode 1
contoh perhitungannya. Dibawah ini adalah perhitungan XMA 6 periode: Tabel 2.2 Nilai Perhitungan Dari XMA No Data Preverious XMA XMA 1 25 2 24 3 28 4 24 5 26 6 27 25,666667 26,047619 7 29 26,047619 26,891155 8 30 26,891155 27,779396 9 31 27,779396 28,699567 10 30 28,699567 29,071119 11 29 29,071119 29,050799 12 31 29,050799 29,607713 nilai previous XMA tersebut adalah nilai SMA. Jadi, nilai XMA untuk data pertama adalah sama persis dengan nilai SMA. Dalam contoh diatas besarnya adalah 25,666667. Diperoleh dari (25+24+28+24+26+27)/6 = 25,666667.XMA pada nomor 6 diperoleh dari rumus diatas yaitu :
2 XMA 27 25,666667 25,666667 6 1
C. Weighted Moving Average Pada SMA, bobot setiap harga baik dua minggu lalu atau pun dua hari yang lalu memiliki bobot penilaian yang sama. Pada WMA data terakhir memiliki bobot yang lebih besar nilainya dibandingkan harga-harga sebelumnya. Pembobotan nilai pada WMA akan tergantung pada panjang periode yang kita tetapkan. Semakin panjang periode yang ditetapkan, maka semakin besar pula pembobotan yang diberikan pada data terbaru. Perhatikan tabel sederhana dibawah:
7 8
21 20
7 8
147 160
36
844
= 844 / 36 = 23,44
2.4 Naïve Bayes Metode Bayes merupakan pendekatan statistik untuk melakukan inferensi induksi pada persoalan klasifikasi. Metode ini menggunakan probabilitas bersyarat sebagai dasarnya. Dalam ilmu statistik, probabilitas bersyarat dinyatakan seperti gambar 2.1.
Tabel 2.3 Pembobotan Pada Tabel Terbaru No
1 2 3 4 5 6 7 8 9
Data
Bobot WMA untuk 2 periode
20 25 28 23 24 22 21 20 19
1 2
Bobot WMA untuk 5 periode
Bobot WMA untuk 7 periode
1 2 3 4 5
1 2 3 4 5 6 7
Nah, dari sini terlihat pada WMA dengan 2 periode, maka dua data terakhirlah yanga akan dihitung. Semakin besar periode maka data terakhir akan semakin besar bobot penilaiannya. Dalam bentuk matematis, WMA dirumuskan sebagai berikut:
Gambar 2.1 Fungsi Metode Bayesian Probabilitas X di dalam Y adalah probabilitas interseksi X dan Y dari probabilitas Y, atau dengan bahasa lain P(X|Y) adalah prosentase banyaknya X di dalam Y. Selain data seperti diatas metode Naive Bayes juga dapat menangani data berupa numerik. Untuk menangani data numerik metode Naive Bayes menggunakan asumsi distribusi normal. Rumus seperti di dibawah ini :
3.
Tabel 2.4 WMA untuk 8 periode Bobot
1 2 3 4 5 6
25 26 23 27 29 23
1 2 3 4 5 6
Data x Bobot 25 52 69 108 145 138
w2 1 e 2 2
2
Sebagai contoh, mari kita hitung WMA untuk 8 periode pada Tabel 2.6 :
Data
1 n xi 2 n 1 i 1
f ( w)
data bobot WMA bobot
No
1 n xi n i 1
WMA untuk 8 periode 1.
Perancangan dan Pembuatan Sistem Dalam bab ini diarahkan pada langkahlangkah perencanaan proyek akhir yang meliputi perencanaan perangkat lunak secara keseluruhan, yang merupakan pokok dari bahasan utama proyek akhir. Prosedur perancangan sistem secara umum untuk pembangunan sistem pakar pada Java dengan Moving Average dan klasifikasi dengan naiv bayes untuk Peramalan cuaca ini terdiri atas beberapa tahap, antara lain meliputi perancangan : Data Perancangan data yang dimaksudkan adalah perancangan data-data yang berkaitan dengan pembuatan perangkat lunak, meliputi :
a.
Data input
2.
3.
Termasuk di dalamnya data-data penunjang sebagai inputan pembuatan sistem. b. Data output Dari data input di atas, bagaimana sistem akan menggunakannya hingga didapatkan data baru sebagai output sistem Proses Perancangan proses yang dimaksudkan adalah bagaimana sistem akan bekerja, proses-proses apa yang digunakan, mulai dari masuknya data input yang kemudian diproses oleh sistem hingga menjadi data output. Antarmuka Perancangan antarmuka disini mengandung penjelasan tentang struktur data yang kita gunakan dalam sistem yang kita buat.
3.1. Rancangan Kerja System Proyek akhir ini dimaksudkan untuk membuat suatu peramalan dengan memasukkan suatu jenis bulan seperti januari,februari, dst. Dan nantinya akan diproses dari data yang ada dan dilakukan perhitugan dalam proses moving average yang telah dibagi menjadi 3 yaitu Simple Moving Average (SMA), Exponetial Moving Average (XMA), Weighted Moving Average yang didapat nilai-nilainya yang kemudian hasil nilainya diproses ke dalam perhitungan naive bayes dengan menggunakan data training dalam waktu 1 tahun atau 365 hari sehingga dari ketiga moving average tersebut didapatkan error terkecil yang kemudian akan diperoleh hasil cuaca yang di dapat.
3.2. Rancangan Kerja System Proses text mining digunakan untuk mencari kata kunci/keyword. Proses ini sangat dibutuhkan untuk mencari perwakilan dari sebuah dokumen. Untuk mendapatkan kata kunci dari sebuah dokumen, maka harus melewati tahapan – tahapan proses dibawah ini. Khusus untuk dokumen berbahasa Indonesia tahapan prosesnya adalah Tokenizing, Filtering, Stemming, dan Counting. 3.2.1 Moving Average Metode moving average berfungsi untuk membuat suatu nilai input dari naive bayes yang kemudian dijadikan pembanding dalam suatu error dalam naive bayes, dan hasil error terkecil akan dijadikan dalam hasil output dalam bentuk cuaca yang telah didapat. Untuk proses diagram alur akan ditampilkan pada gambar 3.3
Baca Database
numerik?
Jadikan pengkondisian numerik
Cari nilai tekanan, kecepatan angin, suhu, dan kelembaban
Proses Perhitungan: 1. Simpel Moving Average (SMA) 2. Exponential Moving Average (EMA) 3. Weighted Moving Average (WMA)
Tampilkan perhitungan Tekanan, arah angin, kec angin, suhu, kelembaban Gambar 3.4 Diagram alir Moving Average 3.2.2 Preprocessing 1. Baca Database Pada tahap ini sistem mengambil nilai data training dari database. 2. Cek Database apakah ada yang kosong atau sudah terisi semua. Pada tahap ini data yang sudah diambil dari database dicek kelengkapan isinya. a. Apabila sudah terisi semua maka selesai b. Apablia ada yang kosong maka lanjut ke tahap 3. Dalam hal ini biasanya yang kosong data pada attribut tekanan, kecepatan angin, suhu, kelembaban yaitu data yang berupa numerik. 3. Isi data yang kosong dengan nilai normal yang sudah ditentukan sebelumnya.
akan dibuat pada proyek ini adalah sebagai berikut : Apakah ada data kosong?
Baca database
Header Proses Hitung
Ya
Tidak
Mean = Jumlah nilai / jumlah data bernilai
Tampilan data
Tampilan bayes Tampilan
hasil Tampilan Moving Average Isi data kosong dengan nilai mean
Selesai Gambar 3.7 Rancanagan Tampilan Software Tampilan muka untuk tampilan awal aplikasi merupakan halaman login. Halaman ini terbagi menjadi dua bagian utama yaitu :
Gambar 3.5 Gambar Alur Preprosesing
3.2.3 Naive Bayes Metode ini berfungsi untuk mencari nilai probabilitas tiap faktor resiko sehingga nantinya hasilnya akan dijadikan perhitungan untuk menentukan apakah berawan – cerah, berawan, berawan – hujan.
Apakah Data Numerik?
Baca Database
Tidak
1.
Bagian header : untuk menampilkan header tampilan. Header ini menampilkan judul dari TA
2.
Tampilan Data : untuk menampilkan data yang training yang digunakan sebagai acuan untuk melakukan peramalan.
3.
Proses data : untuk melakukan proses data atau perhitungan untuk memperoleh hasil yang akan diinginkan.
4.
Tampilan Bayes : Untuk perhitungan nilai dari Naive bayes yang telah dihitung
5.
Tampilan Moving Average: Untuk menampilkan hitungan dari Simple Moving Average, Exponential Moving Average, Weighted Moving Average.
6.
Tampilan Hasil : untuk menampilkan hasil yang diinginkan seperti nilai finess terbesar dan kemudian dibandingkan dengan data iklim/cuaca yang telah ada, mana nilai fitness yang mendekati iklim tersebut sehingga akan keluar iklim/cuaca yang diinginkan.
Ya
Cari nilai probabilitas dari masing-masing parameter setiap kategori
Cari nilai mean dari masing-masing parameter setiap kategori
Tabel Probabilitas
Cari nilai standart deviasi dari masingmasing parameter setiap kategori 4.
Tabel Mean dan Standart Deviasi Gambar 3.6 Gambar Alur Naive Bayes
3.2.4 Rancangan Antarmuka Rancangan Antarmuka adalah Rancangan tentang tampilan yang akan dilihat oleh user dari proyek ini. Adapun rancangan antarmuka yang
Uji Coba dan Analisa
4.1 Hasil Running Program Aplikasi ini menampikan suatu proses peramalan cuaca yang diperoleh dari perhitungan nilai SMA,EMA,WMA dari data training sebanyak 365 hari atau 1 tahun yang kemudian telah didapatkan kemudian dilakukan proses perhitungan naive bayes untuk mendapatkan nilai mean, standard deviasi dan probabilitas. Kemudian
dilakukan perhitungan lagi untuk mendapatkan kesimpulan dari inputan hasil SMA, WMA, EMA yang kemudian dilakukan perhitungan nilai error terkecil dari proses tersebut sehingga mendapatkan hasil cuaca yang telah di dapat. 4.1.1. Analisa Tampilan Hasil Setelah ditekan Button Hitung Setelah ditekan tombol hitung akan keluar perhitungan SMA, WMA dan EMA yang telah dproses dari data training yang ada dan kemudian akan dproses dilanjutkan di bayes untuk mencari nilai mean, standard deviasi dan probabilitas yang akan didapatkan 3 hasil kesimpulan yang telah ada dan kemudian diperoleh hasil kesimpulan 3 output dari 3 inputan SMA, EMA, WMA.
Gambar 4.1 Tampilan Setelah Dilakukan Proses Hitung Analisa Sistem Dari beberapa percobaan dari proses di atas, ada faktor-faktor yang mempengaruhi hasil cuaca karena nilai suatu data training dari Cerah – Berawan yang sangat sedikit jadi nilai untuk menghasilkan nilai Cerah – Berawan sangatlah susah. dalam perhitungan moving average sehingga hasil yang diperoleh juga tidak terlalu jauh antara satu sama lain meskipun rumus yang dgunakan berbeda sehingga terkadang hasil cuaca setelah dipakai dalam inputan dalam bayes ketiga moving average antara SMA, EMA, dan WMA mempunyai hasil cuaca yang sama jadi terkadang untuk penggambilan kesimpulan cuacanya juga sama semua jadi untuk nilai pembanding diantara ketiga moving average tersebut menggunakan nilai error terkecil untuk menghasilkan hasil cuaca yang ditentukan. Setelah itu kita dapat mengetahui cuaca yang telah diramalkan pada tanggal berapa dan bulan berapa yang akan diramallkan. 5. Kesimpulan dan Saran 5.1 Kesimpulan Program pada Proyek Akhir ini sudah meramalkan cuaca dengan hasil berupa Cerah Berawan, Berawan, dan Berawan – hujan pada
tahun 2011 khusunya pada daerah surabaya mulai tanggal 1 januari – 31 Desember 2011 5.2 Saran 1 Dalam peggunaan data tersebut bisa meramalkan juga pada tahun setelah 2011. 2 Dalam peramalan tersebut bisa menggukan metode lain untuk menggunakannya 3 Datanya bisa berupa real time jadi bisa dilakukan proses online untuk meramalkan suatu cuaca tersebut 6. Daftar Pustaka 1. BMKG Juanda Surabaya 2. http://nuansaallina.files.wordpress.com/2 008/05/moving-average.pdf 3. Arna Fahriza , “Peramalan Time Series”, PENS-ITS, Surabaya. 4. http://belajarforex.com/walking-lamb/6moving-average-ma.html
