iv

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 mencapai hasil yang terbaik ketika jumlah MF variabel input berada disekitar 2n, 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.

v

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.

vi

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

vii

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

viii

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

ix

2.7.1 Fuzzy C-Means Clustering (FCM) 40

2.7.2 Substractive Clustering 42

BAB 3 ANALISIS & PERANCANGAN

3.1 Gambaran Umum Lembaga 44

3.1.1 Sejarah Lembaga 44

3.1.2 Struktur Organisasi 45

3.1.3 Wewenang dan Tanggung Jawab 45

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 51

3.3 Perancangan Program Aplikasi 52

3.3.1 Perancangan State Transition Diagram (STD) 52

3.3.2 Perancangan Layar 66

3.3.3 Perancangan Drop Down Menu Item 75

3.3.4 Perancangan Format Data 79

BAB 4 IMPLEMENTASI & EVALUASI

4.1 Spesifikasi Kebutuhan Program 80

4.1.1 Spesifikasi Hardware 80

4.1.2 Spesifikasi Software 80

4.2 Menjalankan Program Aplikasi 81

x

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

xi

DAFTAR TABEL

Halaman Tabel 2.1 Dua pass dalam prosedur pelatihan hibrid untuk ANFIS 40 Tabel 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)

x(t); x(t+12)] L3 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)

x(t-12) x(t); x(t+12)] L9 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

xii

DAFTAR GAMBAR

Halaman 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 17 Gambar 2.10 Model fuzzy Sugeno 18 Gambar 2.11 Diagram blok untuk identifikasi parameter 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 53 Gambar 3.4 STD Structure 53 Gambar 3.5 STD Main Menu Load Data 54 Gambar 3.6 STD Main Menu Generate FIS 54 Gambar 3.7 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 58 Gambar 3.15 STD FIS Editor 59 Gambar 3.16 STD FIS Editor 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 63

xiii

Gambar 3.24 STD Rule Editor Options 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 3.33 Rancangan Layar Main Menu Generate FIS 68 Gambar 3.34 Rancangan Layar Grid Partition 69 Gambar 3.35 Rancangan Layar Substractive Clustering 69 Gambar 3.36 Rancangan Layar Main Menu Train FIS 70 Gambar 3.37 Rancangan Layar Main Menu Test ANFIS 70 Gambar 3.38 Rancangan Layar Main Menu Forecast 71 Gambar 3.39 Rancangan Layar FIS Editor 71 Gambar 3.40 Rancangan Layar Membership Function Editor 72 Gambar 3.41 Rancangan Layar Membership Functions 72 Gambar 3.42 Rancangan Layar Custom Membership Function 73 Gambar 3.43 Rancangan Layar Rule Editor 73 Gambar 3.44 Rancangan Layar Rule Viewer 74 Gambar 3.45 Rancangan Layar Surface Viewer 74 Gambar 3.46 Rancangan Drop Down Menu Item Main Menu File 75 Gambar 3.47 Rancangan Drop Down Menu Item Main Menu Edit 75 Gambar 3.48 Rancangan Drop Down Menu Item Main Menu View 76 Gambar 3.49 Rancangan Drop Down Menu Item FIS Editor Edit 76 Gambar 3.50 Rancangan Drop Down Menu Item Membership Function

Edit 77 Gambar 3.51 Rancangan Drop Down Menu Item Rule Editor Edit 77 Gambar 3.52 Rancangan Drop Down Menu Item Rule Editor Options 77 Gambar 3.53 Rancangan Drop Down Menu Item Rule Viewer Options 78 Gambar 3.54 Rancangan Drop Down Menu Item Surface Viewer

Options 78 Gambar 3.55 Struktur file untuk menyimpan pasangan data input-output 79 Gambar 4.1 Tampilan Layar Main Menu 81 Gambar 4.2 Tampilan Layar Main Menu ANFIS Info 82 Gambar 4.3 Tampilan Layar Structure 82 Gambar 4.4 Tampilan Layar Main Menu Load Data 83 Gambar 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 85 Gambar 4.9 Tampilan Layar Load FIS dari disk 86 Gambar 4.10 Tampilan Layar Grid Partition 87 Gambar 4.11 Tampilan Layar Substractive Clustering 87 Gambar 4.12 Tampilan Layar Main Menu Train FIS 88

xiv

Gambar 4.13 Tampilan Layar Main Menu selama proses pelatihan ANFIS 89

Gambar 4.14 Tampilan Layar Main Menu Test FIS 90 Gambar 4.15 Tampilan Layar Main Menu setelah pengujian FIS 90 Gambar 4.16 Tampilan Layar Main Menu Forecast Rainfall 91 Gambar 4.17 Tampilan Layar File Import From Workspace 92 Gambar 4.18 Tampilan Layar File Import From Disk 92 Gambar 4.19 Tampilan Layar File Export To Workspace 93 Gambar 4.20 Tampilan Layar File Export To Disk 93 Gambar 4.21 Tampilan Layar File Print 93 Gambar 4.22 Tampilan Layar FIS Editor 95 Gambar 4.23 Tampilan Layar Membership Function Editor 96 Gambar 4.24 Tampilan Layar Membership Functions 97 Gambar 4.25 Tampilan Layar Custom Membership Function 97 Gambar 4.26 Tampilan Layar Rule Editor 98 Gambar 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) 101 Gambar 4.31 Tampilan Layar Rule Viewer 102 Gambar 4.32 Tampilan Layar Surface Viewer 103 Gambar 4.33 Tampilan Layar Surface Viewer (Options Plot Lit

Surface) 105 Gambar 4.34 Tampilan Layar Surface Viewer (Options Plot Mesh) 105 Gambar 4.35 Tampilan Layar Surface Viewer (Options Plot X Mesh) 106 Gambar 4.36 Tampilan Layar Surface Viewer (Options Plot Y Mesh) 106 Gambar 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 Gambar 4.40 Tampilan Layar Surface Viewer (Options Color Map

Blue) 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 110 Gambar 4.44 Grafik data curah hujan bulanan Jakarta 111 Gambar 4.45 Grafik data curah hujan bulanan Jakarta setelah

dinormalisasi 112 Gambar 4.46 Grafik data curah hujan bulanan Jakarta setelah

dinormalisasi dan difilter 112

xv

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)] 116

Gambar 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)] 120

Gambar 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)] 123

Gambar 4.56 Plot MF awal untuk variabel input pertama sebelum pelatihan 124

Gambar 4.57 Plot MF awal untuk variabel input kedua sebelum pelatihan 124

Gambar 4.58 Plot MF akhir untuk variabel input pertama setelah pelatihan 125

Gambar 4.59 Plot MF akhir untuk variabel input kedua setelah pelatihan 125 Gambar 4.60 Deret waktu data pengetesan, data awal (garis lurus) dan

hasil prediksi ANFIS (oo) 125 Gambar 4.61 Galat prediksi ANFIS untuk data pengetesan 126 Gambar 4.62 Korelasi silang antara data awal dengan hasil prediksi

ANFIS (Koefisien korelasi = 0,9118) 126

xvi

DAFTAR LAMPIRAN

Halaman Lampiran 1 Listing Program Main Menu L12 Lampiran 2 Listing Program Clear Plot L19 Lampiran 3 Listing Program Structure L19 Lampiran 4 Listing Program Load Data L23 Lampiran 5 Listing Program Clear Data L25 Lampiran 6 Listing Program Generate FIS L26 Lampiran 7 Listing Program Train FIS L28 Lampiran 8 Listing Program Test FIS L30 Lampiran 9 Listing Program Forecast Rainfall L31 Lampiran 10 Listing Program About Me L31