ApMetode ANFIS untuk Prediksi Curah Hujan di Pulau Jawa Bagian Barat

*gambar masih di edit dulu*
Penelitian mengenai pengembangan metode prediksi iklim sudah banyak dilakukan oleh para ahli meteorologi maupun matematika. Makalah ini membahas mengenai penggunaan metode jaringan saraf tiruan untuk memprediksi curah hujan.ANFIS (Adaptive Neuro Fuzzy Infrence System) merupakan salah satu metode prediksi yang menggunakan prinsip jaringan saraf tiruan dan logika fuzzy sudah banyak dipakai dalam berbagai disiplin ilmu dan menghasilkan prediksi yang baik. Oleh karena itu dengan metode ANFIS ini, diharapkan dapat diaplikasikan untuk prediksi trend curah hujan yang ada keterkaitannya dengan perubahan iklim.

Data yang dipakai untuk diuji coba dalam makalah ini adalah data curah hujan bulanan dari 13 stasiun meteorologi, yang tersebar di Pulau Jawa bagian Barat pada tahun 1931-1975. Dari data tersebut kemudian dilakukan analisis PCA (Principal Component Analysis) untuk mengurangi kompleksitas data yang jumlahnya banyak. Analisis data menggunakan PCA dan prediksi ANFIS dilakukan dalam bentuk 2 Dimensi. Panjang data yang digunakan adalah 535 bulan, dengan training data sebanyak 525 data, dengan prediksi 10 bulan kedepannya. Validasi dilakukan dengan membandingkan data prediksi dan data aslinya pada bulan-bulan yang sama. Hasil dari prediksi curah hujan dengan data pengamatan memperlihatkan korelasi yang baik, yaitu antara 69 % – 98 %.

Keyword: Prediksi, PCA, ANFIS, Curah Hujan, Korelasi, Perubahan Iklim


I. Pendahuluan
Kondisi iklim penting untuk dipelajari, karena iklim di suatu daerah menentukan rangkaian aktivitas manusia. Sebagai contoh, informasi iklim dan klasifikasinya, banyak menjadi acuan untuk bidang pertanian, transportasi, dan pariwisata seperti: masa pola tanam, pelayaran, dan penerbangan. Beberapa penelitian juga menyebutkan bahwa iklim mempengaruhi kondisi keadaan ekonomi di suatu daerah (Susandi dan Permadhi, 2008). Oleh karena itu prediksi unsur iklim menjadi hal yang penting dipelajari.

Penelitian mengenai pengembangan metode prediksi iklim sudah banyak dilakukan oleh para ahli meteorologi maupun matematika. ANFIS (Adaptive Neuro Fuzzy Infrence System) merupakan salah satu metode prediksi yang menggunakan prinsip jaringan saraf tiruan dan logika fuzzy yang sudah banyak dipakai dalam berbagai disiplin ilmu dan menghasilkan prediksi yang baik. Metode ANFIS yang telah dilakukan dalam bidang meteorologi adalah dalam hal penelitian El-Nino, sedangkan dalam Geofisika yaitu dalam analisis dan prediksi gempa (Nugraha, 2002).

Pada daerah-daerah dengan populasi yang padat serta menjadi sentra produksi pangan, curah hujan dan suhu menjadi sangat penting untuk diketahui. Jawa Barat merupakan salah satu propinsi terpadat di Indonesia, dengan laju pertumbuhan yang besar karena dipengaruhi oleh banyak faktor. Pertumbuhan penduduk yang pesat akan berdampak pada meningkatnya permintaan akan kebutuhan pokok manusia, salah satu yang terpenting adalah air (Lubis dan Permadhi, 2008). Selain itu Jawa Barat merupakan sentra produksi pangan, dimana produksi pangan tersebut dipengaruhi oleh keadaan iklim dalam hal ini curah hujan dan temperatur.

Dari penjelasan di atas, maka diperlukan suatu penelitian mengenai pengembangan metode prediksi untuk kondisi iklim di Pulau Jawa bagain Barat. Makalah ini membahas metode ANFIS untuk memprediksi curah hujan bulanan di Pulau Jawa bagian Barat.

II. Tujuan
Tujuan dari penelitian ini adalah untuk mengkaji suatu metode prediksi yang dapat menggambarkan kondisi curah hujan bulanan di Jawa Barat berdasarkan metode ANFIS.

III. Data dan Metodologi

3.1 Data
Data yang digunakan adalah data curah hujan bulanan dari 13 stasiun pengamatan curah hujan yang tersebar di Pulau Jawa bagian Barat. Data tersebut adalah data dari tahun 1931 sampai 1975 (45 tahun). Stasiun ini antara lain adalah: St. Serang, St. Pandeglang, St. Menes, St. Jakarta, St. Sukahaji, St. Mande, St. Pedes, St. Cilamaya, St. Paseh, St. Jatiwangi, St. Cikjing, St. Susukan, dan St. Tasikmalaya.



Dari data tersebut kemudian dilakukan analisis PCA (Principal Component Analysis) untuk mengurangi kompleksitas data yang jumlahnya banyak. Analisis data menggunakan PCA dan prediksi ANFIS dilakukan dalam bentuk 2 Dimensi. Panjang data yang digunakan adalah 535 bulan, dengan training data sebanyak 525 data, dengan prediksi 10 bulan kedepannya. Validasi dilakukan dengan membandingkan data prediksi dan data aslinya pada bulan-bulan yang sama.

3.2 PCA
PCA atau Analisis PC merupakan suatu metode mereduksi data multivariat yang prinsip utamanya adalah mengkonstruksi suatu kombinasi linear dari suatu kelompok vektor variabel lama yang dianggap saling berkorelasi menjadi sejumlah kecil vektor variabel komposit atau komponen baru yang saling orthogonal, yaitu saling tak berkorelasi. Namun transformasi ini tidaklah unik, dan transformasi terbaik dihasilkan jika transformasi tersebut menghasilkan sejumlah komponen yang dapat menerangkan varian yang ada di seluruh data. Sebenarnya terdapat dua metode PCA, yaitu metode korelasi dan kovariansi. Namun pada makalah ini metode yang dipakai adalah metode kovariansi.

3.2.1 PCA dengan metode Kovariansi
Bila kita mempunyai suatu matriks dengan dimensi nxK, maka kita dapat mencari matriks variansi-kovariansi [S] dengan :

maka [S] adalah sebuah matriks dengan ukuran KxK yang diagonalnya berupa variansi dan elemen lainnya merupakan sampel kovariansi.
Jika [S] adalah matriks dengan ukuran KxK, maka pernyataan-pernyatan ekivalen satu sama lain :

• λ adalah nilai eigen dari [S].
• Sistem persamaan (λI – S)x = 0 mempunyai pemecahan yang tak trivial.
• Ada vektor tak nol x dalam R2 sehingga Sx = λx.
• λ adalah pemecahan riil dari persamaan karakteristik det(λI – S) = 0.
(Anton, 1987)

Maka dapat didefinisikan suatu matriks PCA[F] sebagai suatu matriks dengan variabel baru :
[F] = [X] [E]
dimana matriks PCA[F] memiliki ukuran yang sama dengan matriks data asli, yaitu nxK.

Dalam PCA, operator transformasi bersifat invertible. Secara garis besar cara dalam membalikan PCA menjadi data asli adalah : Bila [T] adalah matriks yang terdiri atas beberapa komponen yang diambil dari matriks eigen vector [E], dan [Y] adalah matriks yang terdiri atas beberapa komponen yang berasal dari [E], maka matriks pembalikan dapat didefinisikan sebagai :
[B] = [X] + [Y] [T]
dimana [B] adalah matriks hasil pembalikan.

3.2 Adaptive Neuro-Fuzzy Inference System ( ANFIS )
ANFIS pertama kali diperkenalkan oleh Lotfi A. Zadeh ( 1965 ), dengan melihat kenyataan bahwa manusia dapat membuat keputusan yang lebih baik berdasarkan informasi yang bukan numeric dan kurang pasti. Dalam perkembangan berikutnya, diperkenalkan konsep variable linguistik. Variabel linguistik adalah suatu variable yang nilainya merupakan kata atau kalimat, dan bukan bilangan. Pada implementasi berikutnya, variabel linguistik ini dikombinasikan dengan aturan IF-THEN, sehingga konsep ini merupakan awal dari teori fuzzy.

Neuro Fuzzy merupakan suatu teknik optimasi yang menggabungkan Neural Network dan Fuzzy Logic. Neural network mengenal pola dan menyesuaikan terhadap perubahan pola. Sedangkan Fuzzy Logic menggabungkan pengetahuan manusia dan menarik kesimpulan untuk membuat suatu keputusan. Neuro Fuzzy dapat diterapkan dalam analisis prediksi suatu time series. Masukan time series akan digunakan untuk melatih ANFIS dengan fungsi keanggotaan tertentu yang nilainya antara 0 dan 1.

Sebuah fuzzy system dapat dianggap sebagai peta nonlinear yang diparameterisasikan, yang disebut f. Dimana f adalah :

dengan wi = yi ,dan


Bila F bersifat kontinu, maka f dapat mengaproksimasi F untuk akurasi yang diinginkan :



3.2.1 Prediksi dengan ANFIS
Sebuah fuzzy system tipe Sugeno mempunyai aturan dasar :

1. Bila x adalah A1 dan y adalah B1, maka f1 = p1x + q1y + r1
2. Bila x adalah A2 dan y adalah B2 , maka f2 = p2x + q2y + r2
Maka fungsi keanggotaan fuzzy adalah Ai , Bi , I = 1,2,be

Dalam penghitungan, pilih hasil untuk T-norm :
1. Menghitung aturan :


2. Menghitung konsekuensi dan implikasi yang terjadi :

atau

Dapat juga dipisahkan dengan fase berdasarkan pendefinisian pertama :

Maka f dapat ditulis sebagai :

Sedangkan secara komputasi dapat digambarkan sebagai :

Gambar 2. Skema Komputasi ANFIS (Koivo, 2000)





IV. Hasil dan Diskusi

Dalam makalah ini, seting ANFIS yang digunakan adalah epoch number 200 dengan fungsi keanggotaan gbellmf. Metode adaptive network yang dipakai adalah hybrid learning. Grafik yang diperlihatkan adalah grafik score dari curah hujan hasil analisis PC, yaitu variabel yang bergantung waktu dari satu time series (Gambar 3). Prediksi yang dilakukan adalah prediksi 10 bulan ke depan, yaitu pada bulan Desember 1974 – September 1975, dengan training data curah hujan dari Januari 1931 – November 1974 (535 bulan). Validasi hasil prediksi dilakukan pada bulan yang sama.

Secara umum, pola curah hujan hasil prediksi dapat mengikuti pola data observasi. Namun bila nilai score itu diperinci tentu tidak memberikan suatu nilai yang sama. Hal ini memperlihatkan bahwa ANFIS dapat mengikuti pola curah hujan di Pulau Jawa bagian Barat, dan dapat memprediksi curah hujan 10 bulan ke depan.

Gambar 3. Grafik score curah hujan observasi (garis merah) dan hasil prediksi (garis biru) ANFIS selama 10 bulan.








Hasil korelasi antara hasil prediksi dan data observasi memperkuat bahwa ANFIS dapat digunakan untuk memprediksi curah hujan. Secara umum nilai korelasi berada diatas 65 %, dengan korelasi terbesar adalah di stasiun Serang (99 %) dan terkecil adalah stasiun Mande (69 %) (Tabel 1). Dari hasil analisis regresi terlihat juga bahwa standard error di semua stasiun berada dibawah rata-rata, hal ini memperlihatkan bahwa hasil prediksi bisa dipergunakan.



Tabel 1. Hasil Korelasi antara curah hujan pengamatan dan hasil prediksi ANFIS.
Stasiun Korelasi Stasiun Korelasi
Tasikmalaya 0.93 Menes 0.83
Susukan 0.80 Mande 0.69
Sukahaji 0.88 Jatiwangi 0.98
Serang 0.99 Jakarta 0.92
Pedes 0.91 Cilamaya 0.99
Paseh 0.90 Cikijing 0.86
Pandeglang 0.75





Tabel 2. Summary hasil prediksi ANFIS
Stasiun Rata-rata Std. Error Stasiun Rata-rata Std. Error
Tasikmalaya 135.73 61.67 Menes 137.08 98.37
Susukan 142.00 117.21 Mande 115.82 107.09
Sukahaji 161.70 93.29 Jatiwangi 166.90 44.80
Serang 51.20 17.52 Jakarta 61.80 33.39
Pedes 67.12 30.57 Cilamaya 37.36 7.09
Paseh 115.90 61.50 Cikijing 75.23 52.41
Pandeglang 53.73 52.05



V. Kesimpulan
- Dengan menggunakan 535 data, ANFIS dengan setingan epoch number 200, fungsi keanggotaan gbellmf, dan metode adaptive network adalah hybrid learning dapat memprediksi 10 waktu kedepan.
- Pola curah hujan bulanan di stasiun-stasiun pengamatan dapat didekati dengan jaringan syaraf tiruan, dengan pengaturan ANFIS yang sama.

Saran
- Melanjutkan uji coba prediksi dengan data lebih panjang dan memperbaiki prediksi.
- Dibuat suatu sistem uji coba terpadu seluruh stasiun, dengan membuat sistem prediksi otomatis stasiun-stasiun pengamatan.

Referensi:

Nugraha, A.D., 2002, Analisis Data Gempa Bumi Indonesia dengan Menggunakan Metode Adaptive Neuro Fuzzy Inferrence System (ANFIS), Tugas Akhir, Dept. Geofisika dan Meteorologi, ITB.
Susandi, A., dan Permadhi, Y. F., 2008, Impact of climate change on indonesian sea level rise with reference to it’s socioeconomic impact, ASEAN Youth Forum.
Lubis, A., dan Permadhi Y. F., 2008, Tinjauan perubahan iklim dan dampaknya pada ketersediaan air Jawa Barat, Seminar Limnologi dan Perubahan Iklim.
Koivo, H., 2000, ANFIS (Adaptive Neuro-Fuzzy Inference System), MATLAB training

Ini bahasan yg cukup advance. Dituntut pemahaman konsep2 ilmiah tertentu yang mendasari studi ini untuk bisa mengerti sepenuhnya.

Bagi saya konsep "model" sendiri sesungguhnya sangat penting untuk dibahas secara komplit, agar jelas bedanya dengan konsep "metode". "Model" bisa dipahami sebagai formulasi tunggal yang hasilnya bisa mendekati pola perilaku alam sesungguhnya, sedangkan "metode" memiliki arti yang lebih umum, bagi saya "metode" ialah kumpulan tahap-tahap dalam studi ilmiah menuju pembuktian hipotesa.

Sifat umum "metode" memungkinkan dirinya untuk juga menjadi salah satu tahap dari "metode" lain yang lebih komprehensif (menyeluruh), proses inilah yang dikenal sebagai "pengembangan metode".

Jadi dalam studi diatas ANFIS adalah "model" yang merupakan bagian dari "metode" prediksi curah hujan. Kemudian PCA ialah "metode" statisik yang merupakan bagian dalam "metode" verifikasi hasil prediksi curah hujan.

Tentunya masih banyak terminologi2 dan konsep2 menarik lainnya dari studi diatas yang bisa kita bahas dan diskusikan bersama.

Menarik ...
Sebenarnya topik penelitianku juga nggak jauh-jauh dari neural network untuk prediksi curah hujan. Idenya mungkin sama dengan makalah di atas, tapi skala waktunya lebih pendek. Kalo makalah ruse/yan prediksinya sampai 10 bulan ke depan, sistem prediksi yang mau aku kembangkan cuma dalam interval 6-12 jam ke depan (shortcasting). Datanya juga data spasial radar. Kira-kira apa bisa pakai ANFIS juga ya ?

Saya sama sekali tidak paham ANFIS ataupun Artificial Neural Network (ANN). Tapi sepertinya ini ilmu yang dikembangkan pakar ilmu jaringan lintas bidang yang sepertinya bertujuan untuk meningkatkan efisiensi kerja jaringan. Penerapannya bisa untuk design jaringan elektronik, atau lainnya. Contoh lainnya ialah Swarm Intelligence.

Prof.Thee How Liong dari Fisika ITB banyak membahas tentang ANN, bisa dilihat diblog beliau (http://sansteknologi.blogspot.com/).

Saya rasa hampir tidak ada seorang pakar pun yang bisa menjawab pertanyaan yang dilontarkan Bung Ardhi. Justru disinilah peluang Bung Ardhi untuk menyelidiki dan pada akhirnya menjawab pertanyaan itu sendiri.

Model ANFIS merupakan suatu pengetahuan baru bagi saya untuk metode prediksi CH.

Pertanyaan "apakah model ANFIS dapat digunakan untuk short-prediction?" merupakan pertanyaan yang menarik dan untuk pembahasan mengenai pertanyaan ini kedepannnya diharapkan terdapat masukan-masukan dari para pakar/peneliti yang memang berkompeten dibidang tersebut.

Diluar konteks topik tentang model ANFIS, saya pernah melakukan penelitian metode prediksi CH jangka pendek menggunakan data radiosonde & NWP (Numerical Weather Prediction) pada 00 UTC dan 12 UTC. Mungkin ini dapat menjadi salah satu solusi untuk short-prediction.

Mohon gambarnya segera dilengkapi or diberikan link untuk menampilkan atau download dalam pdfnya.
Terimakasih.

coba kalo bisa bagi file pdf-nya ,,,
saya lagi blajar pake analisa multivariat pake PCA kayak tulisan Ruse ini ,,, (tp can ngarti2 ,,, he2)
terima kasih sadayana ,,,

aduh ternyata urang banyak berhutang di forum ini, mohon maaf semuanya, nanti sama saya dilengkapi gambarnya, berhubung masukin gambar tidak semudah copas ternyata...
@abrew: ini linknya,
http://www.mediafire.com/file/o8vf13hdcqmbnp9/ANFIS_Ruse_Yan.pdf
http://www.mediafire.com/?o8vf13hdcqmbnp9

nuhun link-na kang ruse ,,,

Pak,prakiraan curahhujannya bagaimana menggunakan ANFIS ini?
terimakasih

rzkmaulana wrote:Pak,prakiraan curahhujannya bagaimana menggunakan ANFIS ini?
terimakasih

Hallo rzkmaulana, salam kenal
prediksi curah hujan menggunakan ANFIS.
Sebetulnya makalah ini hanya eksperimen metode ANFIS untuk prediksi curah hujan. Seperti yang sudah di terangkan, data yang digunakan adalah data bulanan di beberapa stasiun observasi. Adapun hasil dari hasi prediksi, hanya sampai 10 bulan ke depan dengan resolusi bulanan dan pada titik observasinya saja, dan tidak semua titik observasi diatas tadi bisa menggunakan ANFIS

rusmawan wrote:
Hallo rzkmaulana, salam kenal
prediksi curah hujan menggunakan ANFIS.
Sebetulnya makalah ini hanya eksperimen metode ANFIS untuk prediksi curah hujan. Seperti yang sudah di terangkan, data yang digunakan adalah data bulanan di beberapa stasiun observasi. Adapun hasil dari hasi prediksi, hanya sampai 10 bulan ke depan dengan resolusi bulanan dan pada titik observasinya saja, dan tidak semua titik observasi diatas tadi bisa menggunakan ANFIS

Salam kenal juga Pak Rusmawan,
Saya akan memprediksi debit dari data 30tahunan, banyaknya data untuk training,testing dan checking itu berapa?apa ada pembagian bakunya pak?misalnya training 15 tahun,testing 13tahun,checking 2 tahun.
terimakasih

saya sudah melakukan training,testing data serta checking data ANFIS, yang kemudian didapat nilai average errornya,lalu bagaimana menampilkan data prediksi kedepannya,
mohon bantuannya Pak, apa bapak memiliki script yang dapat menampilkan data hasil ramalannya?
terima kasih pak