peramalan kecepatan angin di sumenep …seminar hasil tugas akhir 1. dampak kecepatan angin 2. 3...

Post on 17-Jan-2020

32 Views

Category:

Documents

3 Downloads

Preview:

Click to see full reader

TRANSCRIPT

LOGO

PREDIKSI KECEPATAN ANGIN

DI SUMENEP MENGGUNAKAN

MIXTURE OF ANFIS

Oleh:

SYARIFAH DIANA PERMAI (1307 100 011)

PEMBIMBING:

Prof. Drs. NUR IRIAWAN, M.Ikom, PhD

Dr. IRHAMAH, S.Si, M.Si

SEMINAR HASIL TUGAS AKHIR

1

DAMPAK KECEPATAN ANGIN

2

3

ANGIN

PENELITIAN SEBELUMNYA

1. Irhamah, dkk (2010) menggunakan metode AI (Arificial Intelligence) yaitu Algoritma Genetika

1. James dan Castellanos (2009) kecepatan angin

2. Faulina (2011) kecepatan angin di Sumenep

1. Benhammadi, dkk (2010) penelitian pada data CPU load

PENELITIAN

SEBELUMNYA

Kecepatan

Angin

ANFIS

Mixture of

ANFIS

4

RUMUSAN MASALAH

5

Bagaimana pemodelan dan prediksi kecepatan angin diSumenep dengan metode ANFIS?

Bagaimana pemodelan dan prediksi kecepatan angindi Sumenep dengan metode Mixture of ANFIS?

Bagaimana perbandingan hasil prediksi kecepatan angindi Sumenep dengan metode ANFIS dan Mixture of

ANFIS?

1

2

3

BATASAN MASALAH

1. Analisis kecepatan angin di Sumenep tidak

mempertimbangkan variabel-variabel lain yang dapat mempengaruhi tinggi dan rendahnya kecepatan angin.

2. Membership function yang digunakan pada analisis ANFIS bertipe Gaussian dan sebanyak dua membership function.

3. Pengelompokan yang dilakukan pada analisis menggunakan Mixture of ANFIS dibatasi sampai dengan enam cluster.

6

Adaptive Neuro Fuzzy Inference System

(ANFIS)

7

x2

B1

B2

Π 3 N3 3

Π 4 N4 4

x1

A1

A2

Π1

Σ

N1 1

Π 2 N2 2

Layer 4 Layer 2 Layer 3 Layer 5

Layer 1

(James dan Castellanos, 2009)

Mixture of ANFIS

8

DATA KECEPATAN ANGIN

CLUSTER 1 CLUSTER J

ANFIS 1 ANFIS J

OUTPUT MIXTURE

P(CSt=1) P(CSt=J)

Probabilitas State Transition

Mengelompokan menggunakan FCM

(Benhammadi dkk, 2010)

Kecepatan Angin

Angin merupakan gerakan udara mendatar dengan permukaan bumi yang terjadi karena adanya perbedaan tekanan antara satu tempat dengan tempat yang lain. Perbedaan tekanan

diakibatkan adanya perbedaan suhu karena intensitas radiasi matahari yang berbeda di tiap wilayah. Semakin besar beda tekanannya maka semakin besar pula kecepatan anginnya

(Yani dan Rahmat, 2007).

9

SUMBER DATA

Data sekunder yaitu data kecepatan angin

yang diukur oleh Badan Meteorologi dan Geofisika Kalianget, Sumenep. Data yang digunakan dari bulan Januari 2009 - Desember

2010.

10

VARIABEL PENELITIAN

11

KECEPATAN ANGIN RATA-

RATA PERHARI (KNOT)

Januari 2009- November 2010

Desember 2010

METODE ANALISIS ANFIS

12

B

Melakukan algoritma hybrid

dengan LSE dan Backpropogation

Mendapatkan parameter-parameter non linier dan linier

Mendapatkan nilai prediksi ANFIS

Menghitung residual in sample

Menghitung RMSE in sample

Melakukan prediksi satu bulan

Mulai

Menentukan input ANFIS berdasarkan model AR yang

signifikan

Menentukan banyaknya membership

function (mf)

Mendapatkan inisialisasi parameter non linier

B

Menentukan banyaknya epoch

Mendapatkan banyaknya rule

METODE ANALISIS MIXTURE

13

Mulai

Data in sampel

Kecepatan angin

Mengelompokkan menggunakan FCM

Mendapatkan sebanyak J cluster

cluster 1 cluster J...

ANFIS 1 ANFIS J

Menghitung probabilitas state transition

P(CSt=1) P(CSt= J)...

Mengalikan y(t) dengan P(CSt= j)

Mendapatkan peramalan Mixture of ANFIS

ANALISIS DESKRIPTIF

KECEPATAN ANGIN RATA-RATA JANUARI 2009- DESEMBER 2010

14

Tahun Bulan Mean variance Min Median Maks

2009

Januari 7,097 10,49 2 7 15Februari 7,143 24,349 2 5,5 22Maret 2,903 1,09 1 3 5April 3,867 4,189 1 3 7Mei 4,387 3,512 2 4 9Juni 6,467 2,12 4 7 10Juli 7,742 4,398 4 7 12Agustus 8,355 2,437 5 8 13

September 7,1 3,472 4 7 11Oktober 7,258 3,798 3 7 12

November 5,767 9,702 2 4 11

Desember 3,613 4,045 1 3 13

2010

Januari 6,065 14,262 2 4 15Februari 2,929 0,884 2 3 5Maret 2,871 0,783 2 3 5April 2,533 0,74 1 2 5Mei 3,871 3,583 1 3 8Juni 4,8 3,752 1 4,5 8Juli 5,935 6,262 2 6 11Agustus 6,645 2,903 4 7 10

September 5,233 4,668 1 5,5 9Oktober 4,516 4,125 2 4 10

November 3,8 1,2 2 4 6

Desember 5,452 6,656 1 5 14

Identifikasi Stasioner

15

6 3 05 6 04 9 04 2 03 5 02 8 02 1 01 4 07 01

2 5

2 0

1 5

1 0

5

0

In d e x

Ke

ce

pa

ta

n A

ng

in

T im e S e r ie s P lo t o f K e c e p a ta n A n g in

543210-1- 2

1 6

1 4

1 2

1 0

8

6

4

2

0

L a m b d a

St

De

v

L o w e r C L U p p e r C L

L im it

E stim a te 0,41

L o w e r C L 0,27

U p p e r C L 0,53

R o u n d ed V a lu e 0,50

(u sin g 95,0% c o n fid en c e )

L am b d a

B o x -C o x P lo t o f K e c e p a ta n A n g in

7 06 56 05 55 04 54 03 53 02 52 01 51 051

1 ,0

0 ,8

0 ,6

0 ,4

0 ,2

0 ,0

- 0 ,2

- 0 ,4

- 0 ,6

- 0 ,8

- 1 ,0

La g

Au

to

co

rr

ela

tio

n

A u to c o r r e la t io n F u n c tio n f o r T r a n s f o r m a s i_ K e c e p a ta n a n g in

(w ith 5 % s ig n if ic a n c e lim its fo r th e a u to c o r r e la tio n s )

Identifikasi Model ARIMA

16

7 06 56 05 55 04 54 03 53 02 52 01 51 051

1 ,0

0 ,8

0 ,6

0 ,4

0 ,2

0 ,0

- 0 ,2

- 0 ,4

- 0 ,6

- 0 ,8

- 1 ,0

La g

Au

to

co

rr

ela

tio

n

A u to c o r r e la t io n F u n c tio n f o r D i f f e r e n c in g

(w ith 5 % s ig n if ic a n c e lim its fo r th e a u to c o r r e la tio n s )

7 06 56 05 55 04 54 03 53 02 52 01 51 051

1 ,0

0 ,8

0 ,6

0 ,4

0 ,2

0 ,0

- 0 ,2

- 0 ,4

- 0 ,6

- 0 ,8

- 1 ,0

La g

Pa

rt

ial

Au

to

co

rr

ela

tio

n

P a r tia l A u to c o r r e la t io n F u n c tio n f o r D i f f e r e n c in g

(w ith 5 % s ig n if ic a n c e lim its fo r th e p a r tia l a u to c o r r e la tio n s )

ARIMA ([1,3],1,1)

Parameter Anfis

Input Zt-1 dan Zt-3

17

MF parameterinput

Zt-1 Zt-3

1 c -1,779 -1,404

σ 0,7677 1,489

2 c 2,543 2,366

σ 0,7261 1,811

aturan p q r

1 -0,4953 -0,1376 -0,1791

2 -0,1175 -0,03373 0,1639

3 -3,243 1,743 5,71

4 2,648 3,862 -7,575

Mixture of ANFIS

dua cluster

18

Variabel N Mean Std Deviasi Median Min Maks

Kelompok 1 411 3,3212 1,0928 3 1 5

Kelompok 2 288 8,031 2,088 7 6 22

Statistika Deskriptif

19

KELOMPOK 1

4 1 03 6 93 2 82 8 72 4 62 0 51 6 41 2 38 24 11

5

4

3

2

1

In d e x

ke

lom

po

k 1

T im e S e r ie s P lo t o f k e lo m p o k 1

5 ,02 ,50 ,0- 2 ,5- 5 ,0

9

8

7

6

5

4

3

2

1

0

La m b d a

St

De

v

L o w e r C L U p p e r C L

L im it

E stim a te 0,86

L o w e r C L 0,58

U p p e r C L 1,18

R o u n d ed V a lu e 1,00

(u sin g 95,0% c o n fid en c e )

L am b d a

B o x -C o x P lo t o f k e lo m p o k 1

Identifikasi Stasioner

MODEL ARIMA KELOMPOK 1

20

6 56 05 55 04 54 03 53 02 52 01 51 051

1 ,0

0 ,8

0 ,6

0 ,4

0 ,2

0 ,0

- 0 ,2

- 0 ,4

- 0 ,6

- 0 ,8

- 1 ,0

La g

Au

to

co

rr

ela

tio

n

A u to c o r r e la t io n F u n c tio n f o r k e lo m p o k 1

(w ith 5 % s ig n if ic a n c e lim its fo r th e a u to c o r r e la tio n s )

6 56 05 55 04 54 03 53 02 52 01 51 051

1 ,0

0 ,8

0 ,6

0 ,4

0 ,2

0 ,0

- 0 ,2

- 0 ,4

- 0 ,6

- 0 ,8

- 1 ,0

La g

Pa

rt

ial

Au

to

co

rr

ela

tio

n

P a r tia l A u to c o r r e la t io n F u n c tio n f o r k e lo m p o k 1

(w ith 5 % s ig n if ic a n c e lim its fo r th e p a r tia l a u to c o r r e la tio n s )

ARIMA(1,0,1)

ANFISKELOMPOK 1

21

MFInputZt-1

1c 1,191σ 1,571

2c 5,619σ 0,5147

Aturanparameter

p q

1 0,2191 2,457

2 -8,985 48,78

22

KELOMPOK 2

2 6 12 3 22 0 31 7 41 4 51 1 68 75 82 91

2 2 ,5

2 0 ,0

1 7 ,5

1 5 ,0

1 2 ,5

1 0 ,0

7 ,5

5 ,0

In d e x

ke

lom

po

k 2

T im e S e r ie s P lo t o f k e lo m p o k 2

5 ,02 ,50 ,0- 2 ,5- 5 ,0

4 ,0

3 ,5

3 ,0

2 ,5

2 ,0

1 ,5

1 ,0

L a m b d a

St

De

v

L o w e r C L U p p e r C L

L im it

E stim a te - 1 ,03

L o w e r C L - 1 ,62

U p p e r C L - 0 ,52

R o u n d ed V a lu e - 1 ,00

(u sin g 95,0% c o n fid en c e )

L am b d a

B o x -C o x P lo t o f k e lo m p o k 2

Identifikasi Stasioner

23

6 05 55 04 54 03 53 02 52 01 51 051

1 ,0

0 ,8

0 ,6

0 ,4

0 ,2

0 ,0

- 0 ,2

- 0 ,4

- 0 ,6

- 0 ,8

- 1 ,0

La g

Au

to

co

rr

ela

tio

n

A u to c o r r e la t io n F u n c tio n f o r tr a n s _ k e lo m p o k 2

(w ith 5 % s ig n if ic a n c e lim its fo r th e a u to c o r r e la tio n s )

6 05 55 04 54 03 53 02 52 01 51 051

1 ,0

0 ,8

0 ,6

0 ,4

0 ,2

0 ,0

- 0 ,2

- 0 ,4

- 0 ,6

- 0 ,8

- 1 ,0

La g

Pa

rt

ial

Au

to

co

rr

ela

tio

n

P a r tia l A u to c o r r e la t io n F u n c tio n f o r tr a n s _ k e lo m p o k 2

(w ith 5 % s ig n if ic a n c e lim its fo r th e p a r tia l a u to c o r r e la tio n s )

ARIMA([6],0,4)

MODEL ARIMA KELOMPOK 2

24

ANFISKELOMPOK 2

aturan p q1 -2,597 0,27242 -0,1287 0,2414

MFInputZt-6

1c 0,03863σ 0,0757

2c 0,1409σ 0,05444

25

P(CSt = 1) 0,70712P(CSt = 2) 0,46854

Variabel Mean Median Var Min Maks RMSE

Residual 2,4041 2,2054 5,2975 -1,7157 18,494 3,3271

1 81 51 29630

1 6 0

1 4 0

1 2 0

1 0 0

8 0

6 0

4 0

2 0

0

R e s id u a l M ixt u r e D u a Ke lo m p o k

Fr

eq

ue

nc

y

H is to g r a m o f R e s id u a l M ix tu r e D u a K e lo m p o k

MIXTURE OF ANFISDUA KELOMPOK

Mixture of ANFIS

26

Cluster Mean Median Var Min Maks RMSE

2 2,4041 2,2054 5,2975 -1,7157 18,494 3,3271

3 1,9054 1,3616 6,1834 -1,358 16,246 3,1313

4 1,9283 1,3046 5,0284 -0,5742 15,469 2,9924

5 1,5063 1,3965 4,1163 -0,6035 20,86 2,5258

6 1,08 1,1886 4,5441 -1,4059 20,272 2,3883

Perbandingan ANFIS dan Mixture

of ANFIS

27

MetodeKriteria ANFIS

Mixture of

ANFIS

RMSE in sample 3,81142 2,3883

RMSE out

sample3,71321 2,6777

KESIMPULAN

ANFIS

•menghasilkan empat aturan dan 20 parameter.

• RMSE in sample sebesar 3,81142.

•epoch sebanyak 170

Mixture of ANFIS

Perbandingan

•Nilai RMSE minimum sebesar 2,3883

•diperoleh ketika banyaknya cluster enam

•metode mixture of ANFIS lebih akurat dalam memprediksi kecepatan angin rata-rata di Sumenep

28

SARAN

1. Banyaknya membership function

2. Tipe membership function

3. Melakukan forecast dengan langkah:a.Meramalkan cluster berdasarkan

probabilitas state transitionb.Melakukan analisis ANFIS sesuai dengan

clusternya

29

LOGO

30

LOGO

PREDIKSI KECEPATAN ANGIN

DI SUMENEP MENGGUNAKAN

MIXTURE OF ANFIS

SYARIFAH DIANA PERMAI (1307 100 011)

PEMBIMBING:

Prof. Drs. NUR IRIAWAN, M.Ikom, PhD

Dr. IRHAMAH, M.Si, S.Si

SEMINAR HASIL TUGAS AKHIR

31

ANFIS

32

Layer 1: O2,i = μAi (x1) untuk i=1,2O2,i = μBi-2 (x2) untuk i=3,4

Layer 2: O3,i = wi = μAi (x1) μBi (x2) untuk i=1,2,3,4 Layer 3:

Layer 4:

Layer 5:

(James dan Castellanos, 2009)

Forecast Kecepatan Angin

menggunkan Mixture dua cluster

33

t kelompok input miu A miu B W1 W2 output data cek residual RMSE out

700 1 2,561351 0,567900675 0,027554857 0,567901 0,027555 2,424019 4 1,575981 1,867209

701 1 2,424019 0,618808402 0,025295583 0,618808 0,025296 2,532049 3 0,467951

702 1 2,532049 0,578476201 0,027048302 0,578476 0,027048 2,446293 4 1,553707

703 1 2,446293 0,610326826 0,025642871 0,610327 0,025643 2,513928 4 1,486072

704 1 2,513928 0,585096219 0,026741947 0,585096 0,026742 2,460288 4 1,539712

705 1 2,460288 0,605040593 0,025864706 0,605041 0,025865 2,502655 4 1,497345

706 1 2,502655 0,589245206 0,026553945 0,589245 0,026554 2,469077 6 3,530923

top related