its-paper-23297-2408100077-paper
TRANSCRIPT
![Page 1: ITS-paper-23297-2408100077-Paper](https://reader035.vdokumen.com/reader035/viewer/2022073012/55cf9a55550346d033a144cf/html5/thumbnails/1.jpg)
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
![Page 2: ITS-paper-23297-2408100077-Paper](https://reader035.vdokumen.com/reader035/viewer/2022073012/55cf9a55550346d033a144cf/html5/thumbnails/2.jpg)
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
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
![Page 3: ITS-paper-23297-2408100077-Paper](https://reader035.vdokumen.com/reader035/viewer/2022073012/55cf9a55550346d033a144cf/html5/thumbnails/3.jpg)
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
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.
![Page 4: ITS-paper-23297-2408100077-Paper](https://reader035.vdokumen.com/reader035/viewer/2022073012/55cf9a55550346d033a144cf/html5/thumbnails/4.jpg)
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
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
Grafik yang berwarna merah muda pada gambar 3.2
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
Perbandingan ketepatan prediksi dengan keadaan aktual untuk model prediksi
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
Keakuratan (%) 85.79
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
Perbandingan ketepatan prediksi dengan keadaan aktual untuk model prediksi
suhu udara
Model Logika Fuzzy Rendah Sedang Tinggi
Aktual 19 1177 985
Prediksi 0 1250 931
Jumlah Data 2181
Jumlah Error 197
Keakuratan (%) 90.96
![Page 5: ITS-paper-23297-2408100077-Paper](https://reader035.vdokumen.com/reader035/viewer/2022073012/55cf9a55550346d033a144cf/html5/thumbnails/5.jpg)
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
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
Grafik yang berwarna merah muda pada gambar 3.4
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
Keakuratan (%) 91.15
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
Perbandingan ketepatan prediksi dengan keadaan aktual untuk model prediksi
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
Keakuratan (%) 75.385
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;
![Page 6: ITS-paper-23297-2408100077-Paper](https://reader035.vdokumen.com/reader035/viewer/2022073012/55cf9a55550346d033a144cf/html5/thumbnails/6.jpg)
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
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