skip to main content

ANALISIS PERAMALAN DATA KOSONG BULANAN PASANG SURUT MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) (STUDI KASUS: STASIUN PASUT SURABAYA)

Departemen Teknik Geodesi Fakultas Teknik Universitas Diponegoro, Indonesia

Received: 16 Dec 2019; Published: 26 Dec 2019.

Citation Format:
Abstract

ABSTRAK

Sebagai suatu fenomena yang terjadi secara periodik maka pasang surut (pasut) dapat diprediksi. Metode untuk mengkaji dan memprediksi tinggi pasut konvensional umumnya membutuhkan data dengan rentang data yang panjang. Data pasut yang lengkap dengan rentang waktu yang panjang masih sulit untuk ditemukan. Hal tersebut mendorong peneliti untuk mengaplikasikan berbagai metode untuk simulasi peramalan data kosong (fill gap) pada data pasut, salah satunya dengan metode ANFIS. Penelitian pasang surut ini menggunakan metode ANFIS (Adaptive Neuro Fuzzy Inference System) untuk melakukan peramalan data kosong (fill gap) pasut. Data yang digunakan adalah data pasut per jam kota Surabaya dari tahun 2000-2018. Model ANFIS untuk simulasi peramalan data kosong (fill gap) pada data pasut dibuat dengan panjang data pelatihan yang berbeda. Hasil dari penelitian ini diperoleh bahwa panjang data masukan tidak berpengaruh langsung terhadap kinerja ANFIS dalam melakukan peramalan data kosong (fill gap) pasut. Nilai RMSE testing terkecil terdapat pada tahun 2001 yaitu sebesar 0,000029 m dengan panjang data pelatihan per input sebesar 48 jam, dan nilai RMSE terting terbesar trdapat pada tahun 2016 yaitu sebesar 0,122940 m dengan panjang data pelatihan per input sebesar 360 jam. Prediksi dengan data input tahunan diporoleh nilai standar deviasi terkecil pada tahun 2015 sebesar 0,099 m dan nilai standar deviasi terbesar pada tahun 2007 sebesar 0,183 m dengan rata-rata nilai korelasi sebesar 0,9650. Sedangkan untuk prediksi mengunakan panjang data input yang berbeda diperoleh hasil prediksi dengan nilai standar deviasi terkecil terdapat pada kelompok data taun 2007-2017 sesudah dilakukan proses fill gap yaitu sebesar 0,106 m dan nilai standar deviasi terbesar terdapat pada kelompok data tahun 2000-2017 sebelum dilakukan proses fill gap sebesar 0,332 m.

                       

 

Kata Kunci: ANFIS, Fill Gap, Pasang Surut, RMSE, Standar Deviasi

 

ABSTRACT

As a phenomenon that occurs periodically, the tidal can be predicted. Methods for assessing and predicting conventional tidal height generally require data with a long range data. In practice, complete tidal data with a long time span is still difficult to find. This encourages researchers to apply various methods for simulating empty data forecasting (fill gap) on tidal data, one of them is the ANFIS method. This tidal research uses the ANFIS (Adaptive Neuro Fuzzy Inference System) method to forecast the tidal fill data. The data used is the hourly tidal data of the city of Surabaya from 2000-2018. ANFIS models for the simulation of empty data forecasting (fill gap) on tidal data are made with different training data lengths. From this study, the results obtained that the length of the input data does not directly affect the performance of ANFIS in forecasting empty data (tide gap). The smallest RMSE testing value was found in 2001 which was 0.000029 m with the length of training data per input of 48 hours, and the highest RMSE value was obtained in 2016 which was 0,122940 m with the length of training data per input of 360 hours. For predictions with annual input data, the smallest standard deviation value in 2015 was 0.099 m and the largest standard deviation in 2007 was 0.183 m, with an average correlation value of 0.9650. Predictions using different input data lengths obtained prediction results with the smallest standard deviation values are found in the 2007-2017 data group after the fill gap process is equal to 0.106 m and the largest standard deviation values are found in the 2000-2017 data group before the process fill gap of 0.332 m.

Fulltext View|Download
Keywords: ANFIS, Fill Gap, Tidal, RMSE, Standard Deviation

Article Metrics:

Last update:

No citation recorded.

Last update:

No citation recorded.