Update Artikelilmiah: 14641

FARIZ RAHMAN AL HAKI

NIM

Judul Artikel

Abstrak (Bhs. Indonesia)

Informasi tentang cuaca yang diperkirakan atau yang diprakirakan akan terjadi di waktu berikutnya berguna untuk menetapkan rencana dan pengambilan keputusan untuk penanggulangan dan antisipasi akibat yang berkaitan dengan kondisi cuaca yang akan terjadi. Kelembaban udara merupakan salah satu unsur dari cuaca. Persentase kelembaban udara menjadi tolak ukur kehidupan bagi masing-masing vegetasi, seperti kering, basah, dan sangat basah. Apabila di gunakan dengan benar, maka prediksi kelembaban udara akan sangat bermanfaat baik bagi bidang pertanian agar didapat pemilihan tanaman yang tepat, ataupun bidang transportasi seperti penempatan landasan pacu bagi pesawat terbang, dan lain sebagainya. Untuk itu perlu adanya sistem prediksi persentase kelembaban udara. Prediksi yang dilakukan adalah prediksi berdasarkan urutan waktu (time-series). Metode ANFIS adalah metode yang dapat digunakan untuk memprediksi potensi energi angin, karena kemampuan pendekatan yang baik terhadap ketidak linieran sehingga menghasilkan error yang lebih kecil. Data yang didapatkan dari BMKG diolah menjadi 2 varian yang kemudian akan digunakan untuk merangcang arsitektur ANFIS dengan memberikan variasi pada beberapa variabel seperti masukan, mf_n, mf_type dan epoch. Kemudian ANFIS akan dilatih dan diuji menggunakan data yang telah diolah. Hasilnya arsitektur ANFIS terbaik yang didapat untuk memprediksi kelembaban udara adalah arsitektur dengan 6 data masukan, mf_n=3, mf_type=trapesium dan epoch=75. Lalu memvalidasi hasil pelatihan dan pengujian menggunakan data validasi yang menghasilkan RMSE sebesar 0.6976 untuk single variat. Sedangkan untuk multivariat yaitu arsitektur dengan parameter 2 mingguan, mf_n=2, mf_type=sigmoid biner, dan epoch=100, yang memiliki nilai RMSE=0.8002. akan tetapi arsitektur multivariat tidak dapat digunakan untuk memprediksi kelembaban udara saja. Sehingga prediksi dilakukan dengan model masukan single variat yang menghasilkan prediksi kelembaban udara dari 2016 hingga 2019, dengan rata-rata kelembaban udara nya adalah 79.35100625 %.

Abtrak (Bhs. Inggris)

Information about weather that will predict could happen in the next time useful to set plan and making decision for counter measures and anticipation of result that relevant with weather condition that will happen. Air humidity is one of the element from weather. Air humidity percentage can be benchmark for living things in each vegetation, like dry, wet, and very wet. If it be used correctly, then prediction of air humidity will be very usefull in farming so that can choose the best plant for planting in that time, or in transportation like placement of airport for plane, etc. for that, need presence prediction system for air humidity percentage. Prediction that will done is prediction based on time series. ANFIS method is method that can be used for predict air humidity percentage, because it have a good approaching ability for an unlinear, so that produce less error. Data that available from BMKG be treated to 2 varian, then will used to devise ANFIS architecture with giving variation for several variable like input, mf_n, mf_type and epoch. Then ANFIS will trained and tested with devised data. The best result of ANFIS architecture that be obtained can be used for predict air humidity percentage is architecture with 6 data input with parameter each month, mf_n=2, mf_type=trapezium and epoch=75. Then validate the training result and testing result with validation data that result RMSE is 0.6976 for single variate. While for multivariate model is architecture with parameter each 2 weeks , mf_n=2, mf_type=sigmoid biner , and epoch=100, wich has RMSE value is 0.8002. However multivariate architecture cannot be used just for predict air humidity. So that prediction using single variate input model which result air humidity prediction from 2016 until 2019, with average of air humidity value is 79.35100625 %.

Kata kunci

Pembimbing 1

Pembimbing 2

Pembimbing 3

Tahun

Jumlah Halaman