its-paper-23297-2408100077-paper

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6

1

Abstrak— Sarana transportasi laut terutama pelayaran kapal

sangat dipengaruhi oleh cuaca maritim. Pola cuaca yang tidak

beraturan akan mengganggu semua transportasi laut. Pada

penelitian ini dilakukan pembuatan prediktor cuaca maritim

dengan menggunakan logika fuzzy takagi sugeno (FTS). Metode

FTS dipilih karena hasil keluaran sistem berupa nilai konstanta

sehingga memudahkan dalam perancangan sistem. Data yang

digunakan untuk membangun basis aturan dan fungsi

keanggotaan berasal dari data BMKG II Perak yang direkam

perjam selama 5 tahun yaitu dari januari 2007 hingga desember

2011. Sedangkan validasi dilakukan dengan menggunakan data

BMKG selama 3 bulan yaitu dari januari hingga maret 2012.

Pada penelitian ini juga dilakukan pengujian secara realtime

dengan menggunakan data yang diperoleh dari maritim

buoyweather. Dari hasil penelitian yang telah dilakukan

didapatkan nilai akurasi untuk prediksi cuaca maritim selama

satu jam kedepan, yaitu: Prediksi ketinggian gelombang 90,01%,

prediksi kecepatan arus 85,79%, prediksi suhu 90,96%, prediksi

kelembaban 91,15%, dan prediksi curah hujan 75,28%.

Kata Kunci—Cuaca maritim, Fuzzy Takagi Sugeno, prediktor

cuaca

I. PENDAHULUAN

ecelakaan transportasi laut yang ada di Indonesia akhir-

akhir ini semakin meningkat. Kejadian kecelakaan

tersebut berupa tenggelamnya kapal maupun tabrakan

antar kapal. Bila dilihat dari faktor penyebab terjadinya

kecelakaan karena disebabkan kesalahan manusia (human

error) 41%, bencana alam (force majeur) 38% dan akibat

struktur kapal (hull structure) 21% [12].

Selama ini pola iklim yang terjadi di Indonesia secara

makro dapat dibedakan kedalam dua musim, yaitu kemarau

dan hujan. Akan tetapi sejak tahun 1991 pola ini tidak dapat

diprediksi saat kapan, kedua musim tersebut terjadi. Indikasi

kenaikan permukaan laut yang semakin meningkat sejak tahun

1980 an di beberapa wilayah Indonesia telah menimbulkan

hujan di sejumlah wilayah di Kalimantan, Sumatera, Jawa dan

Sulawesi [11], dan ini belum menunjukkan pola secara

regional bahwa Indonesia berada pada musim tertentu. Faktor

cuaca menjadi hal yang sulit untuk diprediksi dalam

pelayaran, maka dari itu peramalan cuaca akhir – akhir ini

menjadi topik yang menarik untuk dibahas, karena sangat

membantu dalam kelayakan pelayaran di laut.

Informasi tentang prakiraan cuaca maupun iklim

diberikan oleh BMKG (Badan Meteorologi Klimatologi dan

Geofisika) melalui website bmkg.go.id. Informasi tentang

prakiraan cuaca ini secara makro sangat membantu

transportasi laut. Namun jika dilihat dari segi ketepatan,

prakiraan tersebut masih perlu ditingkatkan. Sebagai misal

terdapat informasi prakiraan dalam 1 minggu ke depan dalam

nilai rata – rata dalam 7 hari tersebut. Nilai prakiraan ini tidak

dinyatakan dalam jam dan hari tertentu ke depan . Hal ini

akan sulit memberikan informasi secara presisi kondisi

sebenarnya [1].

Pada penelitian sebelumnya yang dilakukan oleh Ardian

Chandra tentang prediksi cuaca maritim dengan ANFIS

dengan koordinat pengambilan data 70

12’ 20’’ LS - 1120 44’

08’’ BT dan Prita Meilanitasari berbasis Fuzzy dengan

koordinat pengambilan data 4,648136oS – 113,908806

oE.

Kedua penelitian tersebut hanya dilakukan di satu koordinat

pengambilan data sehingga memprediksi cuaca hanya pada

satu wilayah saja. Kemudian untuk memperluas jangkauan

peramalan maka dikembangkanlah penelitian tersebut oleh

Riki Jaya Sampurna dengan menggambil 3 koordinat data,

yaitu pada 3.540425oS - 113.90880

oE (Perairan Banjarmasin),

4,648136oS - 113,908806

oE (Laut Jawa) dan 6.874824

oS –

112.747800oE (Perairan Surabaya). Ketiga penelitian tersebut

masih menggunakan dua variabel cuaca martitim yaitu

ketinggian gelombang dan kecepatan arus.

Dilain pihak Ilham Bangun Asmoro melakukan penelitian

dengan membuat prediktor cuaca darat dengan basis logika

fuzzy yang dapat mengolah data dari stasiun cuaca secara real

time. Data masukan pada penelitian ini berupa temperatur,

kelembaban relatif, dan kecepatan angin dan keluaran sistem

berupa hasil cuaca yaitu: cerah, berawan, mendung, gerimis,

dan hujan [5].

Berdasarkan penelitian terdahulu inilah peneliti ingin

membuat sistem prediktor cuaca maritim secara online dengan

menggunakan 5 variabel cuaca, yaitu ketinggian gelombang,

kecepatan arus, suhu, kelembaban, dan curah hujan. Selain itu

peneliti juga ingin memperluas jangkauan waktu peramalan

tidak hanya sebatas satu jam kedepan melainkan dapat

memprediksi 1jam, 3jam, 6 jam, 12 jam, dan 24 jam kedepan.

II. URAIAN PENELITIAN

Penelitian ini terdiri dari beberapa tahapan tertentu.

Tahapan-tahapan tersebut direpresentasikan dalam sebuah

diagram alir seperti pada gambar 2.1.

Data variabel cuaca maritim yang diambil adalah data

kecepatan angin, ketinggian gelombang, kecepatan arus, suhu

udara, kelembaban udara, tekanan dan curah hujan. Data

tersebut direkam per-jam selama 5 tahun dari januari 2007

PERANCANGAN SISTEM PREDIKTOR CUACA

MARITIM DENGAN MENGGUNAKAN METODE

FUZZY TAKAGI SUGENO

Nur Wakhid Habibullah, dan Syamsul Arifin, Bambang Lelono Widjiantoro

Jurusan Teknik Fisika – Fakultas Teknologi Industri

Institut Teknologi Sepuluh Nopember

Kampus ITS, Keputih – Sukolilo, Surabaya 60111

Email : [email protected]

K


2

sampai desember 2011 dengan koordinat pengambilan data

4,648136oS - 113,908806

oE (laut jawa). Data yang diambil ini

digunakan untuk membangun basis aturan dan fungsi

keanggotaan awal..

MULAI

STUDI LITERATUR

IDENTIFIKASI MASALAH

PERANCANGAN SISTEM LOGIKA FUZZY

SEBAGAI PREDIKTOR CUACA MARITIM

VALIDASI SISTEM LOGIKA FUZZY

APAKAH

PERFORMANSI

LOGIKA FUZZY

SESUAI?

SIMULASI PROGRAM, ANALISA

HASIL SIMULASI DAN PENGUJIAN

PENYUSUNAN LAPORAN

SELESAI

YA

TIDAK

PENGAMBILAN DATA

CUACA MARITIM

Gambar 2.1 Diagram alir penelitian

2.1 Perancangan Sistem Logika Fuzzy

Data variabel cuaca maritim yang didapat terlebih dahulu

dilakukan proses pengelompokan (cluster) dengan

menggunakan Fuzzy Cluster Mean. Setelah itu dilakukan

pembuatan Sistem Inferensi Fuzzy dengan fungsi input-output

sebagai berikut:

Keterangan:

Hs = ketinggian gelombang

Vangin = kecepatan angin

Cu = kecepatan arus

T = Suhu

Rh = Kelembaban Udara

P = Tekanan

Hujan = curah hujan

2.1.1 Penentuan Fungsi Keanggotaan

Fungsi keanggotaan (membership function) digunakan

untuk memetakan nilai dari keanggotaan suatu data.

Penggunaan fungsi keanggotaan didasarkan pada bentuk

kurva. Kurva yang dipakai pada prediktor cuaca maritim ini

menggunakan kurva gaussmf. Hal ini dikarenakan

penggunaan kurva gaussian digunakan untuk data yang

sifatnya kontinu dan tidak nol di semua titik. Cuaca adalah

sesuatu yang kontinu. Dalam artian perubahan cuaca berkisar

tiap satu tahun sesuai dengan perubahan musim.

Fuzzyfikasinya juga lebih halus. Walaupun gaussian set

range yang diberikan lebih lebar [7]. Pembentukan fungsi

keanggotaan menggunakan Fuzzy Inference System Editor

(FIS Editor) tipe Sugeno-Takagi karena keluaran yang

diinginkan adalah berupa numerik.

Gambar 2.2 Tampilan FIS editor dengan logika Fuzzy Takagi Sugeno dengan

3 masukan dan 1 keluaran

2.1.2 Penentuan Basis Aturan (Rule Base)

Setelah dilakukan pemetaan terhadap fungsi keanggotaan

langkah selanjutnya adalah menentukan basis aturan berupa

jika – maka (if - then) seperti pada contoh berikut:

H(t+1) = IF (Vangin(t) is CA and H(t) is GL and H(t-1) is GL

then Cu(t+1) = (f(Vangin(t),H(t),H(t-1))

2.1.3 Validasi Logika Fuzzy

Validasi ini dilakukan dengan menggunakan data BMKG

selama 3 bulan, yaitu dari januari – maret 2012. Hasil prediksi

tersebut akan dibandingkan dengan keadaan sebenarnya.

Dengan demikian akan terlihat besar prosentase keakurasian

logika fuzzy yang telah dibuat.

2.2 Simulasi dan Analisa

Setelah diuji validitasnya, maka dibuatlah sebuah

simulator software prediktor. ini dilakukan dengan

menggunakan dua cara, yaitu cara pertama dengan

menggunakan data BMKG selama 3 bulan, yaitu dari januari –

maret 2012 dan cara kedua dengan menggunakan data

realplant maritime buoy weather.Software ini berisi tentang

informasi perkiraan cuaca yang akan terjadi 1 jam, 3jam, 6

jam, 12 jam, sampai 24 jam kedepan. Variabel cuaca yang

diprediksi berupa ketinggian gelombang, kecepatan arus, suhu

udara, kelembaban udara, dan curah hujan. Setelah itu

dilakukan analisa terhadap hasil prediktor yang dihasilkan


3

Gambar 2.3 Tampilan pada Simulink

III. HASIL DAN DISKUSI

Setelah didapatkan data dari BMKG II Perak,

langkah selanjutnya adalah mengolah dan

mengelompokkan (cluster) data dengan menggunakan

Fuzzy Cluster Mean. Untuk hasil cluster dapat dilihat

pada tabel 4.1 dibawah ini:

Tabel 3.1

Pengelompokan data dengan fuzzy cluster mean

N

o Variabel Stdev

Fungsi

Keang-

gotaan

Min Center Max

1

Kecepatan

Angin

(knot)

5.079 CA 0.04 2.552 4.03

5.079 LA 4.04 5.513 7.04

5.079 LB 7.05 8.572 9.97

5.079 GB 9.98 11.38 12.71

5.079 MB 12.72 14.05 15.37

5.079 FB 15.38 16.7 18.62

5.079 SB 18.63 20.55 27.92

2

Ketinggian

Gelombang H(t)

(m)

0.525 GL 0.01 0.198 0.34

0.525 RP 0.35 0.492 0.63

0.525 WV 0.64 0.788 0.93

0.525 SL 0.94 1.07 1.21

0.525 MD 1.22 1.36 1.53

0.525 R 1.54 1.72 2.02

0.525 VR 2.03 2.34 3.42

3

Ketinggian Gelombang

1 jam

Sebelum-nya H_t-1

(m)

0.525 GL 0.01 0.198 0.34

0.525 RP 0.35 0.492 0.63

0.525 WV 0.64 0.788 0.93

0.525 SL 0.94 1.07 1.21

0.525 MD 1.22 1.36 1.53

0.525 R 1.54 1.72 2.02

0.525 VR 2.03 2.34 3.42

4

Kecepatan

Arus Cu(t) (cm/s)

11.62 VS 0.02 2.47 4.82

11.62 S 4.83 7.13 10.2

11.62 SM 10.21 13.17 16.48

11.62 SL 16.49 19.62 23.57

11.62 AV 23.58 27.23 35.11

11.62 F 35.13 42.4 52.82

11.62 VF 52.9 62.71 98.46

5

Kecepatan Arus 1 jam

sebelum

Cu_t-1 (cm/s)

11.62 VS 0.02 2.47 4.82

11.62 S 4.83 7.13 10.2

11.62 SM 10.21 13.17 16.48

11.62 SL 16.49 19.62 23.57

11.62 AV 23.58 27.23 35.11

11.62 F 35.13 42.4 52.82

11.62 VF 52.9 62.71 98.46

6 Suhu [t]

(OC)

2.714 RD 21.8 26.17 27.5

2.714 SD 27.6 29.03 30.8

2.714 TG 30.9 32.64 36.8

7 Suhu 1 jam sebelum t-1

(OC)

2.714 RD 21.8 26.17 27.5

2.714 SD 27.6 29.03 30.8

2.714 TG 30.9 32.64 36.8

8 kelembaban

[t] %

12.64 RD 28 54.33 63

12.64 SD 64 71.73 78

12.64 TG 79 85.35 100

9

Kelembaban

1 jam

sebelum [t-

1] (%)

12.64 RD 28 54.33 63

12.64 SD 64 71.73 78

12.64 TG 79 85.35 100

10 Tekanan

(mBar)

1.89 RD 0.8 7.38 8.6

1.89 SD 8.7 9.83 10.9

1.89 TG 11 11.98 16.5

Fungsi keanggotaan Logika fuzzy yang digunakan

pada penelitian ini berupa fungsi Gaussian. Untuk

mendapatkan bentuk Gaussian pada fuzzy toolbox

diperlukan nilai tengah dan standar deviasi pada masing-

masing fungsi keanggotaan. Nilai tengah dan standar

deviasi tersebut didapatkan dari tabel diatas.

3.1 Pengujian Model Logika Fuzzy Untuk Prediktor

Cuaca Maritim

Setelah dilakukan pembuatan Fuzzy Inference

System dari prediktor cuaca maritim, langkah selanjutnya

adalah melakukan pengujian pada model prediktor yang

telah dibuat. Pengujian dilakukan dengan menggunakan

data BMKG selama 3 bulan, yaitu bulan januari-maret

2012. Data yang berasal dari BMKG ini merupakan data

variabel cuaca yang diukur pada koordinat 4,648136oS -

113,908806oE (Laut Jawa). Pengujian Model logika

fuzzy ini dilakukan dengan cara membandingkan data

aktual BMKG dengan data hasil prediksi.


4

a) Ketinggian Gelombang

Untuk hasil pengujian model prediksi ketinggian

gelombang dapat dilihat pada gambar 3.1 dibawah ini:

Gambar 3.1 Grafik perbandingan hasil prediksi ketinggian gelombang dengan

data aktual

Grafik yang berwarna merah muda pada gambar 3.1

adalah grafik hasil prediksi ketinggian gelombang sedangkan

grafik yang berwarna biru merupakan grafik data aktual

ketinggian gelombang dari BMKG yang direkam selama tiga

bulan. Untuk Perbandingan hasil prediksi dan data aktual

dapat dilihat pada tabel 3.1

Tabel 3.1

Perbandingan ketepatan prediksi dengan keadaan aktual untuk model prediksi

ketinggian gelombang

Model Logika

Fuzzy

G

L RP WV SL MD R VR

Aktual 0 257 1154 212 212 163 184

Prediksi 0 147 1239 185 259 154 198

Jumlah Data 2182

Jumlah Error

218

Keakuratan (%) 90.01

Setelah dilakukan pengujian model prediksi ketinggian

gelombang didapatkan tingkat keakuratan sebesar 90.01%.

Hasil tersebut dapat diterima dan dinyatakan berhasil.

b) Kecepatan Arus

Gambar 3.2 Grafik perbandingan hasil prediksi kecepatan arus dengan data

aktual


adalah grafik hasil prediksi kecepatan arus sedangkan grafik

yang berwarna biru merupakan grafik data aktual kecepatan

arus dari BMKG yang direkam selama tiga bulan. Untuk

perbandingan hasil prediksi dan data aktual dapat dilihat pada

tabel 3.2.

Tabel 3.2


ketinggian gelombang

Model Logika

Fuzzy VS S SM SL AV F VF

Aktual 0 0 956 853 118 67 144

Prediksi 0 0 1055 744 119 77 187

Jumlah Data 2182

Jumlah Error

310


Untuk pengujian model prediksi kecepatan arus

didapatkan tingkat keakuratan sebesar 85.79%. Nilai

keakuratan dari prediktor kecepatan arus ini terkesan lebih

kecil jika dibandingkan nilai prediktor ketinggian gelombang,

hal ini dikarenakan terdapat distorsi data masukan yang

digunakan untuk validasi. Dapat dilihat pada data ke-1800an

kecepatan arus mencapai 104 cm/s. Data ini diluar fungsi

keanggotaan kecepatan arus data masukan pada fungsi

keanggotaan FIS sehingga khusus untuk data tersebut sistem

FIS tidak dapat memprediksinya dengan baik. Diluar itu

semua hasil akurasi terbaik untuk prediktor kecepatan arus ini

adalah 85.79%. Hal ini dapat diterima dan dinyatakan berhasil.

c) Suhu Udara

Gambar 3.3 Grafik perbandingan hasil prediksi suhu dengan data aktual

Sedangkan untuk perbandingan ketepatan antara prediksi

dan data aktual dapat dilihat pada tabel 3.3.

Tabel 3.3


suhu udara

Model Logika Fuzzy Rendah Sedang Tinggi

Aktual 19 1177 985

Prediksi 0 1250 931

Jumlah Data 2181

Jumlah Error 197



5

Untuk pengujian Model prediksi Suhu udara didapatkan

tingkat keakuratan sebesar 90.96%. Hasil tersebut dapat

diterima dan dinyatakan berhasil.

d) Kelembaban Udara

Gambar 3.4 Grafik perbandingan hasil prediksi kelembaban dengan data aktual


adalah grafik hasil prediksi kelembaban udara sedangkan

grafik yang berwarna biru merupakan grafik data aktual

kelembababan udara dari BMKG yang direkam selama tiga

bulan. Untuk Perbandingan hasil prediksi dan data aktual

dapat dilihat pada tabel 3.4.

Tabel 3.4

Perbandingan ketepatan prediksi dengan keadaan aktual untuk model prediksi kelembaban udara

Model Logika Fuzzy Rendah Sedang Tinggi

Aktual 8 291 1883

Prediksi 0 348 1834

Jumlah Data 2181

Jumlah Error 193


Untuk pengujian Model prediksi Suhu udara didapatkan

tingkat keakuratan sebesar 91.15%. Hasil tersebut dapat

diterima dan dikatakan berhasil.

e) Curah Hujan

Gambar 3.5 Grafik perbandingan hasil prediksi curah hujan dengan data aktual

Sedangkan untuk perbandingan ketepatan antara prediksi

dan data aktual dapat dilihat pada tabel 3.5.

Tabel 3.6


curah hujan

Model Logika

Fuzzy CR HR HS HL

Aktual 0 155 29 10

Prediksi 0 179 16 0

Jumlah Data 195

Jumlah Error

48


Dari tabel diatas dapat di simpulkan bahwa untuk model

prediksi Curah Hujan mempunyai akurasi sebesar 75.38%.

Akurasi prediktor ini terlihat paling rendah, hal ini

dikarenakan jumlah data yang digunakan untuk membangun

rule base dan membership function awal sangat sedikit

dibandingkan dengan ke empat prediktor yang lain. Untuk

Prediktor ketinggian gelombang, kecepatan arus, suhu, dan

kelembaban data yang digunakan adalah data perjam selama 5

tahun sedangkan data yang digunakan untuk membangun rule

base dan membership function hanya berupa data perhari dan

itupun disetiap harinya tidak selalu didapatkan data curah

hujan. Diluar itu semua hasil akurasi terbaik yang pernah

dihasilkan untuk prediktor curah hujan ini adalah 85.79%. Hal

ini dapat diterima dan dinyatakan berhasil.

3.2 Simulasi Program Dengan Simulink

Simulasi program ini dilakukan dengan dua cara yaitu:

offline (dengan menggunakan data BMKG selama 3 bulan)

dan online (dengan menggunakan 170 data dari martitime

buoy weather yang telah dibuat). Hasil akurasi untuk 1 jam, 3

jam, 6 jam, 12 jam, dan 24 untuk masing-masing prediktor

adalah sebagai berikut:

Offline : Ketinggian gelombang : 90.01%; 77.01%; 69.67%;

62.44%; 53.89%; Kecepatan Arus laut : 85.79%; 71.78%;

61.9%; 54.19%; 52.78%; Suhu udara : 90.96%; 76.23%;

73.96%; 55.61%; 75.67%; Kelembaban Udara : 91.15%;

78.89%; 63.6%; 55.07%; 78.08%; Curah Hujan : 73.20%;

65.13%; 57.95%; 54.87%; 53.85%. Sedangkan untuk curah

hujan sekarang didapatkan keakuratan sebesar 73.38%.

Online : Ketinggian gelombang : 76.79%; 75 %; 65.48%;

53.05%; 52.41%; Kecepatan Arus laut : 63.11%; 62.65%;

62.58%; 61.78%; 59.31%; Suhu udara : 81.53%; 63.25%;

63.19%; 67.52%; 64.14%; Kelembaban Udara : 67.86%;

59.64%; 57.06%; 61.78%; 55.86%; Curah Hujan : 89.94%;

89.82%; 89.29%; 87.97%; 84.93%. Sedangkan untuk curah

hujan sekarang didapatkan keakuratan sebesar 90%.

Jika dilihat dari karakteristik data BMKG selama 5 tahun

yang digunakan untuk membangun rule base dan membership

function awal maka akan terlihat karakteristik perubahan

masing-masing data per jamnya. Untuk Kecepatan angin

misalnya mempunyai perubahan rata-rata perjamnya sebesar

0.241 knot. Sedangkan untuk data variabel cuaca lainnya yaitu

ketinggian gelombang: 0.01 m; kecepatan arus: 0.624 cm/s;


6

suhu udara 0.6570C; kelembaban udara: 2.47%; dan tekanan

udara 0.372mbar.

Jika dianalisa hubungan antara perubahan variabel cuaca

tiap jam dengan keakuratan model prediktor yang telah dibuat

maka akan didapatkan sebuah hubungan yang sebanding.

Contohnya saja untuk model prediktor ketinggian gelombang.

Dari data perubahan variabel cuaca tiap jamnya didapatkan

nilai perubahan yang tidak begitu signifikan, yaitu sebesar

0.01m. Sehingga ketika model prediktor ketinggian

gelombang ini diuji dengan data BMKG selama 3 bulan dapat

menghasilkan tingkat akurasi yang tinggi yaitu sebesar

90.01%. Berbeda dengan perubahan kecepatan arus yang

cukup tinggi, yaitu sebesar 0.624 cm/s menghasilkan tingkat

akurasi yang lebih rendah, yaitu: 85.79%.

Berbeda dengan pengujian offline dengan data masukan

sebanyak 2181 data. Untuk pengujian secara online ini hanya

dilakukan dengan menggunakan data uji sebanyak 170. Data

tersebut didapatkan dari hardware maritime buoy weather

yang telah dibuat. Karena keterbatasan waktu dan hal lainnya

maka pengujian ini dilakukan dilingkungan teknik fisika ITS.

Sehingga karakteristik data masukan program menjadi

berbeda jika dibandingkan dengan karakteristik data masukan

yang sebenarnya (data meteorologi untuk kawasan laut jawa

dengan koordinat 4,648136oS - 113,908806

oE). Oleh karena

tidak mengherankan apabila pada pengujian ini dihasilkan

nilai akurasi yang lebih rendah jika dibandingkan dengan hasil

akurasi ketika dilakukan pengujian secara offline.

IV. KESIMPULAN/RINGKASAN

Berdasarkan penelitian yang telah dilakukan, maka

didapatkan kesimpulan sebagai berikut:

1. Telah dilakukan pemodelan logika fuzzy tipe Takagi

Sugeno untuk memprediksi ketinggian gelombang,

kecepatan arus, suhu udara, kelembaban udara, dan curah

hujan.

2. Prosentase keakuratan tertinggi dari hasil prediksi

ketinggian gelombang, kecepatan arus laut, suhu udara,

kelembaban udara, dan curah hujan berturut-turut adalah:

90.01%; 85.79%; 90.96%; 91.15%; 73.38%;

3. Metode logika fuzzy tipe Takagi Sugeno dapat digunakan

untuk merancang sistem prediktor cuaca maritim

Sedangkan saran yang perlu disampaikan pada tugas akhir

ini adalah : Data yang digunakan untuk membangun logika

fuzzy sebaiknya ditambah lagi sehingga lebih mewakili

konsentrasi di setiap jamnya. Dilakukan pengujian realtime

dengan data uji yang lebih banyak sehingga lebih mewakili

pola hasil akurasi. Selain itu juga dilakukan penambahan

variabel prediksi yang lain, seperti tekanan dan kecepatan

angin

UCAPAN TERIMA KASIH

Ucapan terima kasih penulis sampaikan kepada pihak-

pihak yang turut membantu penelitian ini terutama kepada

para dosen pembimbing dan rekan-rekan tim buoy weather

yang telah menempuh penelitian dari awal hingga akhir.

Penulis juga menyampaikan terima kasih kepada dosen

pembimbing dan Jurusan Teknik Fisika yang telah

memfasilitasi penelitian ini sehingga dapat selesai tepat waktu.

DAFTAR PUSTAKA

[1] Arifin, Syamsul. 2009. Sistem Logika Fuzzy sebagai Peramal

Cuaca di Indonesia, studi kasus: Kota Surabaya

[2] Candra, Ardian. 2010. Tugas Akhir: Perancangan Model

Adaptive Nuro Fuzzy Inference System untuk Memprediksi Cuaca

Maritim. Teknik Fisika-FTI-ITS Surabaya

[3] Kusumadewi, Sri. 2006. “Neuro-Fuzzy: Integral system Fuzzy

dan Jaringan Saraf Tiruan”. Yogyakarta: graha Ilmu

[4] Jang J.-S.R., Sun C.-T., Mizutani E. Neuro-fuzzy and soft

computing. A Coumputational approach.

[5] Asmoro, Ilham Bangun. 2011. Perancangan Perangkat Lunak

Prediktor Cuaca Berbasis Logika Fuzzy. Teknik Fisika-FTI-ITS

Surabaya

[6] Kusumadewi, Sri, 2000, “Perancangan Sistem fuzzy : Studi Kasus

Prediksi Jumlah Produksi dan Harga Jual Barang” dalam Jurnal

Teknologi Industri Volume 5, No.1. Jogjakarta: Jurusan Teknik

Industri Fakultas Teknologi Industri Universitas Islam Indonesia

[7] …,Fuzzy Logic Toolbox User Guide. MathWork.Inc,2002

[8]

[9]

Regarina, Cut Meurah. 2005. Atmosfer (Cuaca dan

Iklim).[pdf],http://elcom.umy.ac.id/elschool/muallimin_muhamm

adiyah/file.php/1/materi/Geografi/ATMOSFER%20%28Cuaca%2

0dan%20Iklim%29.pdf , (diakses April 2012)

Thor I Fossen. 1994. Guidance and Control of Ocean Vehicles.

Chichester University of Trondheim Norway

[10] Meilanitasari, Prita. 2010 .Prediksi Cuaca Menggunakan Logika

Fuzzy untuk Kelayakan Pelayaran di Pelabuhan Tanjung Perak

Surabaya. Teknik Fisika-FTI-ITS Surabaya

[11] …, Laporan BMG, Mei 2007

[12] …, Laporan MTI, Volume 2, 1-2-3 Langkah, 2007

http://elcom.umy.ac.id/elschool/muallimin_muhammadiyah/file.php/1/materi/Geografi/ATMOSFER%20%28Cuaca%20dan%20Iklim%29.pdf



its-paper-23297-2408100077-paper

Documents