PENGARUH ARSITEKTUR ANFIS PADA PERAMALAN CUACA

Candra Dewi

Abstract


Dalam proses pembelajaran dengan Adaptive Neuro Fuzzy Inference System (ANFIS), selain parameter laju pembelajaran dan error harap, jumlah neuron dalam tiap lapisan juga sangat mempengaruhi hasil pembelajaran. Dengan demikian, pengujian untuk mendapatkan arsitektur jaringan yang optimal perlu untuk dilakukan. Adapun dalam arsitektur  ANFIS, bagian lapisan yang memegang peranan adalah lapisan pertama dan lapisan kedua, dimana lapisan pertama yang merupakan fuzzyfikasi dari input dan lapisan kedua mewakili jumlah aturan fuzzy dalam proses inferensi. Pada penelitian ini diimplementasikan pengujian arsitektur ANFIS untuk peramalan cuaca, terutama untuk mengetahui jumlah neuron yang paling baik pada lapisan pertama dan kedua.

Hasil uji coba menunjukkan bahwa kombinasi persentase 40%, 50% dan 60% data latih menghasilkan nilai akurasi dan RMSE yang cukup stabil pada beberapa kombinasi neuron (antara 2 sampai 6) pada lapisan pertama dan kedua. Disamping itu dapat diketahui bahwa kombinasi jumlah neuron yang optimal adalah antara 2 sampai 4.


Full Text:

PDF

References


DEWANTO, W. 2002. Cuaca dan Iklim. Pakar Raya. Bandung.

DEWI, C. DAN MUSLIKH, M. 2012. Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca. Laporan Penelitian DPP/SPP FMIPA, Universitas Brawijaya.

DEWI, C. DAN RATNAWATI, D. 2013. Analisa Pengaruh Metode Clustering pada ANFIS untuk Peramalan Cuaca. Laporan Penelitian DIPA PTIIK, Universitas Brawijaya.

FALLAHPOUR, A.R. DAN MOGHASSEM, A.R. 2013. Yarn Strength Modelling Using Adaptive Neuro-Fuzzy Inference System (ANFIS) and Gene Expression Programming (GEP). Journal of Engineered Fibers and Fabrics, Volume 8, Issue 4 – 201, pp:6-18.

HOMAEINEZHAD, M.R., TAVAKKOLI, E., AFSHAR, A., ATYABI, S. A. DAM GHAFFARI, A. 2011. Neuro-ANFIS Architecture for ECG Rhythm-Type Recognition Using Different QRS Geometrical-Based Features. Iranian Journal of Electrical & Electronic Engineering, Vol. 7, No. 2, June 2011, pp:70-83.

JANG, J. S. R. SUN, C. T. E. MIZUTANI. 1997. Neuro-Fuzzy and Soft Computing. Prentice Hall. London.

JANTZEN, JAN. 1998. Neurofuzzy Modelling. http://www.iau.dtu.dk/~jj/pubs/nfmod.pdf diakses tanggal 11 april 2011.

KARTIKASARI, D.P. DAN DEWI, C. 2012. Prediksi Cuaca Pada Data Time Series Menggunakan Adaptive Neuro Fuzzy Inference System (ANFIS). Laporan Penelitian DIPA PTIIK, Universitas Brawijaya.

PUSPITASARI,I., SUTIJO B.S.U DAN SUHARTONO. 2013. Model Selection in Adaptive Neuro Fuzzy Inference System (ANFIS) by using Inference of R2 Incremental for Time Series Forecasting. International Journal of Science and Research (IJSR), Volume 2 Issue 2, pp. 38-42.

SHENG, S. DAN GAO, R.X. 2004. Architectural Effect on ANFIS for Machine Condition Assessment. ASME 2004 International Mechanical Engineering Congress and Exposition.

SHEREEF , K DAN S. SANTHOSH BABOO. 2010. A New Weather Forecasting Technique using Back Propagation Neural Network with Modified Levenberg-Marquardt Algorithm for Learning. International Journal of Computer Science Issues, Vol. 8, Issue 6, No 2, November 2011, ISSN (Online): 1694-0814.

SINGLA, P., H. M. RAI, AND SANJAY SINGLA. 2011. Local Monsoonal Precipitation forecasting using ANFIS Model: a case study for Hisar. International Journal of Research and Reviews in Computer Science, Vol.2 No.3.

TJASYONO, B. 2004. Klimatologi. Penerbit ITB. Bandung.




DOI: http://dx.doi.org/10.21776/ub.jeest.2015.002.01.3

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.