Penerapan Metode Hybrid FIS Tsukamoto dan Algoritma Genetika untuk Prediksi Curah Hujan di Daerah Batu
DOI:
https://doi.org/10.25126/jtiik.201854836Kata Kunci:
Algoritma Genetika, Curah Hujan, FIS Tsukamoto, Hybrid, Kota Batu, PrediksiAbstrak
Curah hujan yang semakin tidak menentu memberikan efek yang cukup signifikan pada bidang pertanian dan perkebunan. Salah satu bidang perkebunan yang memanfaatkan pola curah hujan adalah perkebunan apel. Petani apel membutuhkan perhitungan curah hujan untuk menentukan kapan proses pembungaan yang tepat agar hasil panen yang di dapatkan bisa maksimal. Namun, karena tidak menentunya pola curah hujan, petani menjadi kesulitan dalam menentukan waktu pembungaan dan panen apel menjadi tidak maksimal. Pada penelitian ini dibuat sebuah pemodelan yang paling optimal dalam memprediksi curah hujan di daerah Batu, Jawa Timur menggunakan metode hybrid FIS Tsukamoto dan algoritma genetika. Metode hybrid yang dilakukan adalah mengoptimasi batasan fungsi keanggotaan FIS Tsukamoto menggunakan algoritma genetika. Setelah proses pengujian, penerapan metode Metode hybrid FIS Tsukamoto dan algoritma genetika dapat digunakan untuk memprediksi curah hujan dengan nilai error RMSE lebih kecil dibandingkan dengan FIS Tsukamoto tanpa optimasi. Nilai error RMSE pada daerah Junggo sebesar 6.485, pada daerah Pujon sebesar 6.932, pada daerah Tinjomulyo sebesar 5.969, pada daerah Ngujung sebesar 5.498.
Abstract
The erratic rainfall has a significant effect on agriculture and plantations. One area of plantations that utilizes rainfall patterns is apple plantations. Apple farmers need rainfall calculations to determine when the flowering process is right so that the yield can be maximized. However, due to the uncertainty of rainfall patterns, farmers have difficulty in determining the time of flowering and harvesting apples to be not optimal. In this study, the most optimal modeling was used to predict rainfall in the Batu area, East Java using the hybrid FIS Tsukamoto method and genetic algorithm. The hybrid method used is to optimize the boundary function of Tsukamoto's FIS membership using a genetic algorithm. After the testing process, the application of the hybrid method of the Tsukamoto FIS method and the genetic algorithm can be used to predict rainfall with a smaller RMSE error compared to the FIS Tsukamoto without optimization. RMSE error value in Junggo area is 6,485, in Pujon area is 6,932, in Tinjomulyo area is 5,969, in Ngujung area is 5,498.
Unduhan
Referensi
ARMANDA, R. S., & MAHMUDY, W. F. (2016). Penerapan Algoritma Genetika Untuk Penentuan Batasan Fungsi Kenggotaan Fuzzy Tsukamoto Pada Kasus Peramalan Permintaan Barang. Teknologi Informasi Dan Ilmu Komputer(JTIIK), 3(3), 169–173.
BORCHERT, R. (1983). Phenology and control of flowering in tropical trees. Biotropica, 15(2), 81–89. https://doi.org/10.2307/2387949
BPS. (2015). Statistik Daerah Kota Batu 2015. Batu: BADAN PUSAT STATISTIK KOTA BATU.
GREFENSTETTE, J. (1986). Optimization of Control Parameters for Genetic Algorithms. IEEE Transactions on Systems, Man, and Cybernetics, 16(1), 122–128. https://doi.org/10.1109/TSMC.1986.289288
HANNAWATI, A., THIANG, & ELEAZAR. (2002). Pencarian Rute Optimum Menggunakan Algoritma Genetika. Jurnal Teknik Elektro, 2(2), 78–83. Retrieved from http://puslit2.petra.ac.id/ejournal/index.php/elk/article/view/15857
HERMAN, N. S., YUSUF, I., & MARIYAM, S. (2009). Genetic Algorithms and Designing Membership Function In Fuzzy Logic Controllers. World Congress on Nature & Biologically Inspired Computing (NaBIC 2009), 1753–1758.
HERRERA, F., LOZANO, M., & VERDEGAY, J. L. (1998). Tackling Real-Coded Genetic Algorithms: Operators and Tools for Behavioural Analysis. Artificial Intelligence Review, 12, 265–319.
INDAHWATI, R., HERDRARTO, B., & IZZATI, M. (2013). Perbedaan Kualitas Lahan Apel Sistem Pertanian Intensif dengan Sistem Pertanian Ramah Lingkungan ( Studi Kasus Di Kelompok Tani Makmur Abadi Desa Tulungrejo Kecamatan Bumiaji Kota Batu ) Abstrak. BIOMA, 15(2), 90–97.
JAFARIAN, J. (2010). An Experiment to Study Wandering Salesman Applicability on Solving the Travelling Salesman Problem based on Genetic Algorithm. International Conference on Educational and Information Technology (ICEIT 2010) An, (Iceit), 1–7.
KURNIANINGTYAS, D., MAHMUDY, W. F., & WIDODO, A. W. (2017). Optimasi Derajat Keanggotaan Fuzzy Tsukamoto Menggunakan Algoritma Genetika Untuk Diagnosis Penyakit Sapi Potong. Jurnal Teknologi Informasi Dan Ilmu Komputer, 4(1), 8. https://doi.org/10.25126/jtiik.201741294
MAHMUDY, W. F., MARIAN, R. M., & LUONG, L. H. S. (2012). Flexible Manufacturing System Using Real Coded Genetic Algorithms – Part I : Modeling. World Academy of Science, Engineering and Technology, 69, 773–779.
MAHMUDY, W. F., MARIAN, R. M., & LUONG, L. H. S. (2013). Modeling and Optimization of Part Type Selection and Loading Problem in Flexible Manufacturing System Using Real Coded Genetic Algorithms. International Journal of Electrical, Computer, Energetic, Electronic and Communication Engineering, 7(4), 251–260.
MICHALEWICZ, Z. (1992). Algorithms + Data Structures = Evolution Programs. New York: Springer-Verlag.
MUHLENBEIN, H., & SCHLIERKAMP-VOOSEN, D. (1993). Predictive Models for the Breeder Genetic Algorithm. Evolutionary Computation, 1(1), 25–49.
TUTIN, C. E. G., & FERNANDEZ, M. (1993). Relationships between minimum temperature and fruit production in some tropical forest trees in Gabon. Journal of Tropical Ecology, 9(2), 241–248. https://doi.org/10.1017/S0266467400007239
WAHYUNI, I., & AHDA, F. A. (2018). Pemodelan Fuzzy Inference System Tsukamoto Untuk Prediksi Curah Hujan Studi Kasus Kota Batu. Jurnal Ilmiah Teknologi Dan Informasi ASIA (JITIKA), 12(2), 1–12.
WAHYUNI, I., & MAHMUDY, W. F. (2017). Rainfall Prediction in Tengger-Indonesia Using Hybrid Tsukamoto FIS and Genetic Algorithm. Journal of ICT Research and Applications, 11(1), 38–54. https://doi.org/10.5614/itbj.ict.res.appl.2017.11.1.3
WAHYUNI, I., MAHMUDY, W. F., & IRYANI, A. (2016). Rainfall Prediction in Tengger Region Indonesia Using Tsukamoto Fuzzy Inference System. 1st International Conference on Information Technology, Information Systems and Electrical Engineering, ICITISEE 2016, 16, 130–135. https://doi.org/10.1109/ICITISEE.2016.7803061
WU, J., LONG, J., & LIU, M. (2015). Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm. Neurocomputing, 148, 136–142. https://doi.org/10.1016/j.neucom.2012.10.043
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
