Prediksi Cuaca Pada Data Time Series Menggunakan Adaptive Neuro Fuzzy Inference System (ANFIS)

AbstrakInformasi mengenai kondisi atmosfer yang cepat,akurat, dan terperinci sangat diperlukan oleh berbagai sektor. Salah satumetode yang dapat digunakan untuk melakukan prediksi dan peramalan model yangkompleks dengan akurasi yang tinggi adalah Adaptive Neuro Fuzzy InferenceSystem (ANFIS). Dengankemampuan metode ini untuk melakukan prediksi dan peramalan, pada penelitianini dilakukan perbandingan kinerja dari kedua kemampuan ANFIS tersebut padadata time series cuaca berdasarkan parameter-parameter atmosfir yangmempengaruhinya.Padapenelitian ini, metode ANFIS baik untuk proses prediksi maupun peramalan diimplementasidengan struktur standar ANFIS yaitu lima layer. Namun pada proses peramalan dilakukan penggabungan dengan metode moving average untuk meramalkan nilai parameter input pada saat pengujian. Pengujian dilakukanpada data latih 40%, 50% dan 60% dari total data. Selain itu, pengujian jugadilakukan dengan mengelompokkan data berdasarkan musim, yaitu kemarau danpenghujan.Hasil ujicoba menunjukkan bahwa metode ANFIS cukup baik diterapkan untuk proses prediksijika tanpa pengelompokan data berdasarkan musim. Namun jika dilakukanpengelompokan berdasarkan musim, kemampuan ANFIS dalam melakukan peramalanmemiliki tingkat akurasi yang lebih tinggi dengan nilai error yang cukup rendah.Kata kunci: prediksi cuaca,peramalan cuaca, data time series, ANFISAbstractRapid and accurate information on the atmospheric conditions is required by the various sectors. One ofthe methods can be used to perform prediction and forecasting of complex modelwith high accuracy is AdaptiveNeuro Fuzzy Inference System(ANFIS).According to these two capabilitiesof ANFIS, this research is aimed to conduct comparison of accuracy on weathertime series data. This research implemented ANFIS using standard ANFISarchitecture that consists of five layers both to predict and to forecast theweather. However, the forecasting process combined ANFIS and moving averagemethod to forecast the input parameters were used at testing. This researchperformed learning process using 40%, 50% and 60% of total data. Beside, thelearning process also has been done on data was grouped into two groups basedon the season. The testing result showed ANFIS has better performance forprediction the data that were not grouped based on the season. However, ANFIShas better accuracy and lower error since the learning and testing were done onthe data that was grouped based on season.Keywords: weather prediction, weather forecasting,time series data, ANFI