IMPLEMENTASI KOMBINASI METODE BAYESIAN NETWORK DAN FUZZY LOGIC UNTUK KOMPUTASI PREDIKSI CUACA DENGAN BAHASA PEMROGRAMAN R
Prediksi cuaca merupakan hal yang penting dalam kehidupan manusia, salah satu manfaatnya adalah dapat mengantisipasi orang ketika hendak melakukan aktivitas diluar rumah. Metode Bayesian network menjadi salah satu metode yang tidak asing untuk digunakan dalam mengatasi masalah prediksi. Namun ditemu...
Saved in:
| Main Author: | |
|---|---|
| Format: | Book |
| Published: |
2017-06-19.
|
| Subjects: | |
| Online Access: | Link Metadata |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Prediksi cuaca merupakan hal yang penting dalam kehidupan manusia, salah satu manfaatnya adalah dapat mengantisipasi orang ketika hendak melakukan aktivitas diluar rumah. Metode Bayesian network menjadi salah satu metode yang tidak asing untuk digunakan dalam mengatasi masalah prediksi. Namun ditemukan masalah ketika data yang digunakan untuk memprediksi adalah bersifat kontinu, karena metode Bayesian network hanya mendukung data-data diskrit saja. Akhirnya metode fuzzy digunakan sebagai salah satu solusi untuk mengatasi data-data kontinu tersebut, yakni dengan mendiskritkannya pada tahap fuzzifikasi. Namun ada kerumitan yang muncul ketika menggunakan metode fuzzy yaitu harus membangun fungsi keanggotaan, di mana fungsi ini harus dibangun berdasarkan pakar. Model fuzzy Wang Mendel memberikan solusi untuk masalah tersebut, yakni dengan membangun fungsi keanggotaan secara otomatis. Dan hasil eksperimen dari model yang terbangun menunjukkan akurasi serta kecepatan komputasi yang baik.;---Weather prediction is an important thing in human life, one of the benefits is to warn people when they want to do activities outside home. The Bayesian network is one of the familiar method to solve prediction problems. But the problem is found when the data that used to predict is continuous, because Bayesian network methode only support with discrete data. Finally the fuzzy method is used as one of the solutions to overcome the continuous data, ie by discriminating data at the fuzzification stage. But there are complexities that showed when using the fuzzy method of having to build a membership function, where this function must be built based on expert. Fuzzy model Wang Mendel provides solutions to the problem, ie by automatically building membership functions. And the experimental results of the built model show a good computational accuracy and speed. |
|---|---|
| Item Description: | http://repository.upi.edu/29631/1/S_KOM_1301682_Title.pdf http://repository.upi.edu/29631/2/S_KOM_1301682_Title.pdf http://repository.upi.edu/29631/3/S_KOM_1301682_Abstract.pdf http://repository.upi.edu/29631/4/S_KOM_1301682_Table_of_content.pdf http://repository.upi.edu/29631/5/S_KOM_1301682_Chapter1.pdf http://repository.upi.edu/29631/6/S_KOM_1301682_Chapter2.pdf http://repository.upi.edu/29631/7/S_KOM_1301682_Chapter3.pdf http://repository.upi.edu/29631/8/S_KOM_1301682_Chapter4.pdf http://repository.upi.edu/29631/9/S_KOM_1301682_Chapter5.pdf http://repository.upi.edu/29631/10/S_KOM_1301682_Bibliography.pdf http://repository.upi.edu/29631/11/S_KOM_1301682_Appendix.pdf |