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

Nikentari, Nerfita; Bettiza, Martaleli; Sastypratiwi, Helen

doi:10.26418/jp.v4i1.25558

Cited by 5 publications

(6 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Penelitian yang telah dilakukan menggunakan RBFNN yaitu (Nikentari et al 2018) yang memprediksi kecepatan angin menggunakan adaptive neuro fuzzy (ANFIS) dan RBFNN. Hasil pengujian menggunakan kedua algoritma tersebut memperlihatkan akurasi terbaik Root Mean Square Error (RMSE) diperoleh oleh RBFNN.…”

Section: Pendahuluanunclassified

Peramalan Jumlah Titik Panas Provinsi Kalimantan Timur Menggunakan Metode Radial Basis Function Neural Network

Aisyah

Wahyuningsih

Amijaya

2021

Jambura J. Probab. Stat.

View full text Add to dashboard Cite

Radial Basis Function Neural Network (RBFNN) is a neural that uses a radial base function in hidden layers for classification and forecasting purposes. Neural Network is developed into a radial function base with an information processing system that has characteristics similar to biological neural networks, consisting of input layers, hidden layers, and output layers. The data used in this study is data on the number of hotspots in East Kalimantan Province obtained from the official website of the National Aeronautics and Space Administration (NASA). The purpose of this research is to obtain the RBFNN model and the results of forecasting the number of hotspots for the period January 2020 to March 2020. The radial basis function used is the local Gaussian function and the linear activation function. In this study using the proportion of training data and testing data 70: 30; 80:20; and 90:10. The results showed that the input network using significant Partial Autocorrelation Function (PACF) at lag 1 and lag 2, so that the RBFNN model that was formed involved Xt-1 and Xt-2. The best Mean Absolute Percentage Error (MAPE) minimum obtained the 80:20 data proportion with 2 hidden networks. The RBFNN architecture that is formed is 2 input layers, 2 hidden layers and 1 output layer. Data from forecasting the number of hotspots in East Kalimantan Province shows that from January 2020 to February 2020 there was a decline and March 2020 an increase.

show abstract

Section: Pendahuluanunclassified

Peramalan Jumlah Titik Panas Provinsi Kalimantan Timur Menggunakan Metode Radial Basis Function Neural Network

Aisyah

Wahyuningsih

Amijaya

2021

Jambura J. Probab. Stat.

View full text Add to dashboard Cite

show abstract

“…Metode ini mudah diterapkan dan sangat fleksibel, memberikan cara untuk menangani data numerik dan non-numerik [13]. Perbedaan utama antara fuzzy time series dan konvensional time series yaitu pada nilai yang digunakan dalam peramalan, yang merupakan himpunan fuzzy dari bilanganbilangan real atas himpunan semesta yang ditentukan [14]. Konsep himpunan fuzzy awalnya digunakan untuk mewakili atau mengelola semua ketidakpastian [15].…”

Section: Implementasi Fuzzy Time Seriesunclassified

Implementasi Fuzzy Time Series pada Prediksi Jumlah Penjualan Rumah

Ramadhan

Tursina

Novriando

2020

justin

View full text Add to dashboard Cite

Rumah adalah bangunan gedung yang berfungsi sebagai tempat tinggal yang layak huni, sarana pembinaan keluarga, cerminan harkat dan martabat penghuninya, serta aset bagi pemiliknya. Menurut Direktur Jenderal Pembiayaan Perumahan Kementerian Pekerjaan Umum Perumahan Rakyat, perumahan di Indonesia masih mengalami defisit pasokan sebesar 7,6 juta pada 2015 dan menargetkan akan mengurangi angka kebutuhan rumah atau backlog perumahan di 2019 mendatang menjadi 5,4 juta agar masyarakat Indonesia bisa mempunyai rumah sendiri. Tingginya kebutuhan rumah yang harus dipenuhi memerlukan kerjasama seluruh stakeholder di bidang perumahan seperti developer properti. Dalam rangka menghadapi para pesaing dan mempertahankan kelangsungan perusahaan, dibutuhkan manajemen yang baik di bidang perencanaan. Tujuan penelitian ini adalah untuk memprediksi jumlah penjualan rumah sehingga dapat dijadikan acuan oleh developer properti dalam menyusun perencanaan. Memprediksi adalah suatu teknik analisa perhitungan untuk memperkirakan kejadian dimasa depan dengan menggunakan referensi data-data di masa lalu. Metode yang digunakan dalam memprediksi jumlah penjualan rumah adalah metode fuzzy time series. Metode Fuzzy Time Series (FTS) merupakan suatu konsep yang digunakan untuk meramalkan masalah di mana data historis diubah ke dalam nilai linguistik. Adapun hasil pengujian Mean Absolute Percentage Error (MAPE) yang sudah dilakukan menunjukkan tingkat akurasi prediksi sebesar 85,79% dengan menggunakan margin sebesar 5% sehingga perancangan ini dapat diterapkan oleh developer properti.

show abstract

“…Perbedaan utama antara fuzzy time series dan konvensional time series yaitu pada nilai yang digunakan dalam peramalan, yang merupakan himpunan fuzzy dari bilangan-bilangan real atas himpunan semesta yang ditentukan. [17] Himpunan fuzzy dapat diartikan sebagai suatu kelas bilangan dengan batasan yang samar. [18] 1.…”

Section: Peramalan Dengan Metode Fuzzy Time Seriesunclassified

Prediksi Besaran Curah Hujan Menggunakan Metode Fuzzy Time Series

Desmonda

Tursina

Irwansyah

2018

justin

View full text Add to dashboard Cite

Iklim tropis yang memiliki dua musim, yakni musim penghujan dan musim kemarau yang seharusnya berputar setiap enam bulan sekali. Namun beberapa tahun terakhir ini, perubahan iklim global terasa ditandai dengan tidak menentunya perputaran musim kemarau maupun musim penghujan. Untuk mengetahui perubahan pola curah hujan tersebut, maka dirancanglah prediksi besaran curah hujan untuk melihat dan menganalisa pola hujan yang akan terbentuk ke depannya. Aplikasi prediksi besaran curah hujan yang akan dibangun menggunakan forecasting atau peramalan dengan metode Fuzzy Time Series. Logika fuzzy digunakan karena dapat memetakan suatu input ke dalam suatu output dan memiliki toleransi terhadap data-data yang tersedia. Adapun hasil dari penelitian yang dilakukan adalah mengimplementasikan metode Fuzzy Time Series untuk membangun aplikasi yang dapat mengolah dan menghitung pola data curah hujan serta memprediksi besaran curah hujan. Hasil dari pengujian diperoleh nilai MAPE (Mean Average Percentage Error) bervariasi tergantung jumlah data dan jumlah interval yang digunakan. Nilai MAPE terbaik yang diperoleh adalah 0,151% pada penggunaan data curah hujan periode 2015 – 2017 dengan jumlah interval 401. Perhitungan menggunakan metode Fuzzy Time Series sangat dipengaruhi oleh jumlah data yang digunakan dan jumlah interval dalam membagi data tersebut.

show abstract

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

Cited by 5 publications

References 6 publications

Peramalan Jumlah Titik Panas Provinsi Kalimantan Timur Menggunakan Metode Radial Basis Function Neural Network

Peramalan Jumlah Titik Panas Provinsi Kalimantan Timur Menggunakan Metode Radial Basis Function Neural Network

Implementasi Fuzzy Time Series pada Prediksi Jumlah Penjualan Rumah

Prediksi Besaran Curah Hujan Menggunakan Metode Fuzzy Time Series

Contact Info

Product

Resources

About