Prediksi Kecepatan Angin Menggunakan Adaptive Neuro Fuzzy (ANFIS) dan Radial Basis Function Neural Network (RBFNN)

Nerfita Nikentari, Martaleli Bettiza, Helen Sastypratiwi

Abstract


Angin sebagai salah satu fenomena alam yang mempengaruhi berbagai aspek dalam kehidupan manusia baik pengaruh positif maupun negatif. Aspek ini berperan besar dalam ekonomi, pariwisata, pembangunan, transportasi maupun perdagangan masyarakat. Data angin dalam hal ini kecepatan angin belum dapat diketahui secara pasti nilainya oleh karena itu perlu adanya prediksi. Adaptive Neuro Fuzzy Inference System (ANFIS) dan Radial Basis Function Neural Networkc(RBFNN) adalah algoritma yang dapat digunakan untuk prediksi data. Penelitian ini  menggunakan ANFIS dan RBFNN untuk memprediksi kecepatan angin. Data prediksi yang digunakan dalam penelitian ini adalah data time series. Data kecepatan angin diperoleh dari BMKG (Badan Meteorologi Klimatogi dan Geofisika) Tanjungpinang, Kepualuan Riau. Hasil prediksi dengan kedua metode ini dibandingan dengan data asli untuk mengetahui metode mana yang lebih akurat dalam prediksi data. Hasil pengujian menggunakan kedua algoritma memperlihatkan akurasi terbaik (paling mendekati data asli/target) diperoleh oleh RBFNN yaitu dengan nilai RMSE adalah 0,1766 dan hasil RMSE ANFIS adalah 1,1456.


Full Text:

PDF

References


Putri. A, Syafriadi. Y, and Mustakim, “Analisa Pengaruh Temperatur Terhadap Titik Embun, Jarak Pandang, Kecepatan Angin, dan Curah Hujan Metode Regresi Linier Berganda,” Seminar Nasional Teknologi Informasi, Komunikasi dan Industri (SNTIKI) 9, pp. 227-234, 2017.

Hilmansyah,Yuniar. R. J, and Ramli, “Pemodelan Pembangkit Listrik Tenaga Angin Menggunakan Kendali Pi,” Jurnal Sains Terapan, vol 1, no.3, pp. 22-26, 2017.

Hakimi. F. D. D,.Anshori. M. N. A, and Asyhar. A. H, “Peramalan Kecepatan Angin yang Direkam oleh Sistem AWS dengan Analisis Fuzzy Time Series,” Jurnal Kubik vol 2, pp. 24-32, 2017.

Dewi. C and Himawati, “Prediksi Tingkat Pengangguran Menggunakan Adaptif Neuro Fuzzy Inference System (ANFIS),” Konferensi Nasional Sistem & Informatika 2015, pp. 228 -231, 2017.

Kalaiselvi. C. M and Nasira. G. M, “A New Approach for Diagnosis of Diabetes and Prediction of Cancer Using ANFIS,” 2014 World Congress on Computing and Communication Technologies, pp. 188-190, 2014.

Althaer A and Barukab O, “Andorid Malware Classification Based on ANFIS with Fuzzy C-Means Clustering Using Significant Application Permissions,” Turkish Journal of Electrical Engineering & Computer Sciences, vol. 25, pp. 2232 – 2242, 2017.

Svalina.I, Galiza. V, Lujic. R and Simunovic. G, “ An Adaptive Network-Based Fuzzy Inference System (ANFIS) for The Forecasting : The Case of Close Price Indices, :Expert System With Application, vol 40, no.15, pp. 6055-6063, 2013.

Rout. A. K and Dash. P. K, “ Forecasting Foreign Exchange Rates Using Hybrid Functional Link RBF Neural Network and Lavemberg-Marquardt Learning Algorithm, “Intelligence Decision Technology Journal ,vol 10, no . 3, pp. 299-313, 2016.

Santoso. S, Widjanarko. A, and Supriyanto. C , “Model Prediksi Penyakit Ginjal Kronik Menggunakan Radial Basis Function, “Jurnal Pseudocode, vol. 3, no. 2), pp. 163-170, 2016.

Chang. W, “Short-Term Load Forecasting Using Radial Basis Function Neural Network, “Journal of Computer and Communications 3, pp. 40-45, 2015.

Stewart R. H, “Introduction To Physical Oceanography., “Texas: Department of Oceanography Texas A & M University, 2018.

T. Chai and R. R Draxler, “ Root Mean Squared Error (RMSE) or Mean Absolute Error (MAE) ? –Arguments againts avoiding RMSE in the literature,”Geosci Model Dev., 7, pp. 1247-1250, 2014.




DOI: http://dx.doi.org/10.26418/jp.v4i1.25558

Refbacks

  • There are currently no refbacks.