1

Kebutuhan atas informasi cuaca penting pada bidang pelayaran

untuk menentukan kelayakan pelayaran. Penelitian menggunakan

metode logika fuzzy untuk prediksi cuaca maritim. Data yang

digunakan adalah data yang diambil dari Badan Meteorologi

Klimatologi dan Geofisika (BMKG) pada waktu 3 tahun dari tahun

Januari 2008 hingga Maret 2011 pada tiga titik penangkapan ikan

nelayanJawa Timur. Data tersebut digunakan sebagai masukan

dari logika fuzzy yang terdiri dari tiga variabel dan satu keluaran

untuk masing-masing logika fuzzy yaitu ketinggian gelombang

atau kecepatan arus. Hasil prediksi ketinggian gelombang untuk

7740 data didapatkan prosentase keakuratan data bila

dibandingkan dengan data yang berasal dari BMKG, Perairan

Banyuwangi untuk prediksi kecepatan arus prosentase keakuratan

96,62% untuk 1 jam ke depan, 91,96 % untuk prediksi 6 jam ke

depan, 87,14% untuk prediksi 12 jam ke depan, 84,06 % untuk

prediksi 24 jam ke depan. Prediksi ketinggian gelombang

prosentase keakuratan 93,99% untuk prediksi 1 jam ke depan,

88,21% untuk prediksi 6 jam ke depan, 81,35% untuk prediksi 12

jam ke depan, dan 79,32% untuk prediksi 24 jam.dan Pasuruan.

Keluaran prediksi logika fuzzy akan menentukan kelayakan

pelayaran dilihat dari ketinggian gelombang dan kecepatan arus.

Kelayakan pelayaran Perairan Banyuwangi untuk nelayan 0-10

GT yaitu 90,18 % untuk nelayan 10-30 GT adalah 97,4%. Prediksi

cuaca maritim juga dilakukan pada prediksi pada dua titik perairan

lain yaitu Perairan Situbondo dan Pasuruan. perancangan sistem

informasi cuaca maritim dengan media komunikasi SMS dengan

menggunakan server berupa modem GSM dengan hasil sistem

informasi berupa pesan sms pada pengirim pesan telah sesuai

dengan hasil prediksi.

Kata Kunci: Fuzzy Inference System, Kelayakan Pelayaran

Nelayan, Prediksi Cuaca Maritim, Short Message Service.

ndonesia merupakan negara kepulauan dengan ribuan pulau. Transportasi laut memiliki fungsi penting dan strategis, khususnya pelayaran nasional. Peningkatan aktifitas

transportasi laut disisi lain juga berdampak semakin meningkatnya insiden dan kecelakaan transportasi. Pola cuaca dan iklim yang tidak beraturan akan mengganggu sarana transportasi laut. Frekuensi gangguan angin kencang / badai angin barat dan angin timur yang silih berganti berpeluang mengganggu lalu lintas perhubungan laut dan penyebarangan antar pulau. Beberapa kejadian kecelakaan yang dialami transportasi laut, baik tenggelamnya kapal maupun tabrakan antar kapal. Bila dilihat dari faktor penyebab terjadinya kecelakaan : karena sebab kesalahan manusia (human error) 41 %, bencana alam (force majeur) 38% dan akibat struktur kapal (hull structure) 21%. Dikarenakan banyaknya tuntutan dari berbagai pihak yang membutuhkan informasi kondisi

cuaca yang lebih cepat, lengkap, dan akurat. Badan Meteorologi, Klimatologi dan Geofisika (BMKG) sebagai perusahaan negara yang bertugas sebagai pengamat cuaca mampu memprediksikan cuaca melalui metode konvensional baik itu metoda statistik maupun dinamik yang mencakup radius 5 – 10 km untuk 1 titik pengamatan di wilayah yang dapat diprediksikan.

Nelayan yang merupakan salah satu mata pencaharian yang berhubungan dengan pelayaran perlu mengetahui informasi tentang cuaca dan kondisi laut. Gangguan cuaca yang silih berganti berpeluang mengganggu pelayaran laut bagi para nelayan hingga menyebabkan kecelakaan kapal nelayan. Beberapa kejadian kecelakaan transportasi kapal nelayan, baik tenggelamnya kapal maupun tersesatnya kapal nelayan. Kasus kecelakaan laut 20 Juni 2007 akibat badai menimpa 14 nelayan di Kabupaten Pesisir Selatan, Sumatera Barat, 13 nelayan dinyatakan hilang di laut ketika kapal penangkap ikan yang mereka pakai dihantam badai[11]. Pada 6 november 2011 Satu nelayan hilang akibat tabrakan kapal akibat gelombang laut tinggi dan kabut tebal 3 mil dari pesisir Pantai Besuki antara kapal motor rajawali dan kapal kecil nelayan[10] . Pelayaran nelayan sebagai aktivitas mata pencaharian bertumpu cuaca maritim. Berdasarkan kejadian kecelakaan kapal nelayan akibat cuaca maritim maka informasi cuaca maritim sedimikan penting untuk keselamatan pelayaran nelayan. Disisi lain tidak semua nelayan mampu mengakses informasi ini.

Pada penelitian sebelumnya, metode peramalan menggunakan fuzzy clustering (Syamsul Arifin,2007) yang mampu menghasilkan ketepatan sebesar 69% untuk data uji sebanyak 304 hari. Selanjutnya prediksi cuaca maritim menggunakan jaringan syaraf tiruan (Andre Kresnawan, 2008) yang menghasilkan ketepatan prediksi untuk arus laut sebesar 60,7%, gelombang laut sebesar 72,4%, dan prediksi curah hujan sebesar 26,122%. Kemudian prediksi cuaca maritim menggunakan metode ANFIS (Ardian Candra P, 2010) yang menghasilkan ketepatan prediksi 38,00% untuk curah hujan, 99,887% untuk arus laut, dan 99,913% untuk ketinggian gelombang laut. Kemudian prediksi cuaca maritim dengan metode fuzzy (Prita Meilanitasari, 2010) yang dilakukan pada Tanjung Perak Surabaya untuk kelayakan pelayaran. 64,50% untuk peramalan 1 jam ke depan, 61,70% untuk peramalan 3 jam ke depan, 60,20% untuk peramalan 6 jam ke depan, 57,40% untu peramalan 12 jam ke depan, dan 52,20% untuk peramalan 24 jam ke depan dengan prosentase rata-rata sebesar 59,20%. Nilai prosentase keakuratan sebesar 92,88%

PERANCANGAN SISTEM INFORMASI CUACA MARITIM UNTUK PARA NELAYAN JAWA TIMUR DENGAN MEDIA

KOMUNIKASI SHORT MESSAGE SERVICE Arief Hanifan P , Syamsul Arifin, Aulia Siti Aisyah

Department of Engineering Physics, Faculty of Industrial Technology ITS Surabaya Indonesia 60111, email: arfantf07@ep.its.ac.id

I

2

untuk peramalan kecepatan arus 1 jam ke depan, 89,25 untuk peramalan 3 jam ke depan, 87,50% untuk peramalan 6 jam ke depan, 84,54% untuk peramalan 12 jam ke depan, dan 79,03% untuk peramalan 24 jam kemudian (keesokan harinya) dengan prosentase rata-rata sebesar 86,64%.

Tujuan penelitian ini adalah merancang sistem prediksi cuaca maritim dengan logika fuzzy dan sistem informasi cuaca maritim berdasarkan logika fuzzy. Informasi cuaca maritim diharapkan mampu memberi edukasi dan informasi sebagai pertimbangan untuk berlayar sehingga mampu menghindari kecelakaan kapal nelayan akibat gangguan cuaca. Adapun permasalahan dalam perancangan ini adalah bagaimana merancang sistem prediktor cuaca maritim yang diperuntukkan kepada para Nelayan Jawa Timur, serta bagaimana merancang sistem informasi cuaca mairitim menggunakan media Short message Service (SMS) dengan modem jaringan GSM sebagai server SMS.

Pengambilan variabel cuaca dilakukan oleh BMKG II Perak Surabaya. Variabel cuaca ini kemudian dihasilkan dengan software windwave per-jam selama 3 tahun yaitu Januari 2008 hingga Maret 2011. Koordinat pengambilan data ini adalah 115.6179o E -7.901o S (Perairan Banyuwangi), 114o E-7.4o S (Perairan Situbondo) dan 113o E-7.41o S (Perairan Pasuruan). Lokasi Pengambilan data yaitu 6- 12 mil dari lepas pantai yang merupakan jalur penangkapan ikan II berdasarkan Peraturan Menteri Kelautan dan Perikanan RI Nomor PER.02/MEN/2011.

I. .DASAR TEORI

A. Logika Fuzzy Logika fuzzy adalah sebuah metodologi penyelesaian

masalah yang bisa diaplikasikan dengan bahasa manusia (tinggi, rendah, panjang, pendek dan lain sebagainya) yang memungkinkan untuk mengeliminasi kesukaran dari bahasa matematis. Pada logika fuzzy dikenal himpunan fuzzy yang merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Himpunan fuzzy memiliki fungsi keanggotaan untuk setiap grup yang memiliki suatu keadaan atau kondisi tertentu. Fungsi keanggotaan (membership function) dalam bentuk suatu kurva yang menunjukkan pemetaan titik-titik input data kedalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Setiap fungsi keanggotaan didefinisikan dengan sebuah nama atau label. Secara umum fungsi keanggotaan diberi label untuk mempermudah menentukan suatu rentang data dari titik minimum hingga titik maksimum. Contoh fungsi keangootaan Gaussian ditunjukkan pada Gbr.1 dengan Persamaan (1).

2

21exp][

cxx (1)

dimana µ adalah derajat keanggotaan, c adalah titik tengah fungsi gaussian, dan adalah standar deviasi.

µ

c Gbr. 1. Bentuk Fungsi Keanggotaan Gaussian [6]

Sistem logika dengan masukkan menjadi keluaran

berdasarkan aturan IF-THEN disebut Sistem Inferensi Fuzzy (FIS). Proses inferensi fuzzy dapat dibagi menjadi lima yaitu fuzzifikasi, operasi logika fuzzy, implikasi, agregasi dan defuzzifikasi. Fuzzifikasi merupakan suatu proses pemetaan dari input berupa himpunan tegas (crisp) ke bentuk himpunan fuzzy untuk semesta pembicaraan tertentu. Setelah terbentuk fungsi keanggotaan masukkan dan keluaran maka dibentuk aturan berdasarkan aturan IF-THEN. Bentuk umum dari aturan yang digunakan dalam IF x is A THEN y is B dengan x dan y adalah skalar, dan A dan B adalah himpunan fuzzy. Proses ini dinyatakan sebagai implikasi. Jika masukkan variabel fuzzy lebih dari satu pernyataan maka perlu digunakan operator logika fuzzy. Operator logika fuzzy biasanya menggunakan AND (minimum) dan OR (maksimum). Setelah keluaran setiap aturan IF-THEN ditentukan pada bagian implikasi maka selanjutnya adalah proses agregasi yaitu kombinasi semua keluaran aturan IF-THEN menjadi daerah fuzzy keluaran tunggal. Hasil dari agregasi sebagai masukkan dari defuzzifikasi. Defuzzifikasi mempunyai fungsi yaitu mentransformasikan kesimpulan yang bersifat fuzzy menjadi sinyal keluaran tegas

Sistem inferensi fuzzy dapat dibangun menggunakan dua metode yaitu metode Mamdani dan metode Sugeno. Kedua metode ini berbeda dalam penentuan nilai keluaran FIS. Keluaran FIS tipe Mamdani berupa fungsi keanggotaan sedangkan Sugeno berupa keluaran tegas berupa konstanta atau persamaan linear. Gbr. 2 menunjukkan proses inferensi pada FIS tipe Sugeno dengan metode weighted average.

Gbr. 2. Inferensi Fuzzy Sugeno[7]

Persamaan defuzzifikasi yang digunakan pada metode

weighted average adalah sebagai berikut :

𝑘𝑒𝑙𝑢𝑎𝑟𝑎𝑛 = 𝑤 𝑖 . 𝑧𝑖𝑛𝑖=1

𝑤 𝑖𝑁𝑖=1

(2)

3

dimana wi merupakan derajat keanggotaan tiap aturan IF-THEN pada proses implikasi dan zi adalah nilai keluaran tegas/konstanta pada bagian keluaran.

B. Fuzzy C-Means Clustering

Fuzzy clustering adalah salah satu teknik menentukan cluster (grup) optimal dalam suatu ruang vektor yang didasarkan pada bentuk normal Euclidian untuk jarak vektor. Fuzzy clustering sangat berguna bagi pemodelan fuzzy terutama dalam identifikasi aturan fuzzy. Salah satu metode clustering adalah Fuzzy C-Means (FCM). Teknik ini diperkenalkan oleh Jim Bezdek pada tahun 1981[6]. Konsep dasar FCM adalah menentukan pusat cluster yang menandai lokasi rata-rata untuk tiap cluster dengan memperbaiki pusat cluster dan derajat keanggotaan untuk tiap cluster secara berulang. Apabila suatu himpunan data (masukkan dan keluaran data). Keluaran dari FCM bukan merupakan sistem inferensi fuzzy (FIS). Namun merupakan deretan titik pusat dari cluster. Informasi ini dapat digunakan untuk membangun suatu sistem inferensi fuzzy.

Teknik FCM pada suatu data apabila terdapat suatu himpunan data (input atau output data dari sistem fuzzy) sebagai U = (u1, u2, u3, u4....un) . Derajat keanggotaan suatu titik data ke k dicluster ke i adalah

𝜇𝑓 𝑢𝑘 𝜖 0,1 (1 ≤ 𝑖 ≤ 𝑐, 1 ≤ 𝑘 ≤ 𝑛) (3)

Pada metode FCM, matriks partisi didenifisikan sebagai berikut :

𝜇𝑓(𝑐) = 𝜇11[𝑢1] ⋯ 𝜇𝑐1[𝑢1]

⋮ ⋱ ⋮𝜇1𝑛[𝑢𝑛 ] ⋯ 𝜇𝑐𝑛 [𝑢𝑛 ]

(4)

dengan 𝜇𝑖𝑘𝑐𝑖=1 = 1 yang berarti bahwa jumlah nilai

keanggotaan suatu data pada semua cluster harus sama. Fungsi subyektif iterasi ke t P(c) pada iterasi matriks partisi

adalah

𝑃𝑡 𝑐 = 𝜇𝑖𝑘 𝑤 𝑢𝑘 − 𝑣𝑓𝑖

2𝑐𝑖=1

𝑛𝑘=1 (5)

dengan vfi adalah pusat vektor pada cluster fuzzy ke – i

𝑣𝑓𝑖 = 𝜇𝑖𝑘 𝑤 𝑢𝑘

𝑛𝑘−1 𝜇𝑖𝑘

𝑤 𝑛𝑘−1 (6)

dimana w adalah bobot suatu nilai keanggotaaan, uk-vfi adalah bentuk Euclidian yang digunakan sebagai jarak dan vfi

Algoritma FCM pertama-tama dengan menetapkan maktriks partisi secara random . Nilai w ditetapkan lebih dari 1 dengan faktor koreksi sangat kecil misal 10-5 T. fungsi obyek uk tif awal Pt(c) ditetapkan secara random lalu nomor iterasi dinaikkan (t = t+1). Pusat vektor dihitung tiap-tiap cluster untuk matriks partisi tersebut sebagai vfi pada persamaan (6). Nilai keanggotaan dimodifikasi tiap-tiap jika yk≠ vfi maka

𝜇𝑖𝑘 𝑦𝑘 = 𝑢𝑘−𝑣𝑓𝑖

2

𝑢𝑘−𝑣𝑔𝑖 2

1/(𝑤−1)

𝑐𝑔=1

−1

(6)

Dan jika yk =vfi maka 𝜇𝑖𝑘 𝑦𝑘 = 1 jika i =g dan𝜇𝑖𝑘 𝑦𝑘 = 0 jika i ≠ 0 sehingga menghasilkan matriks partisi yang baru kemudian dihitung fungsi obyektif yang

𝑃𝑡 𝑐 = 𝜇𝑖𝑘 𝑤 𝑦 − 𝑣𝑓𝑖

2𝑐𝑖=1

𝑛𝑘=1 (7)

Iterasi selesai jika 𝑃𝑡 𝑐 − 𝑃𝑡−1 𝑐 < 1 faktor koreksi atau t > iterasi masksimal.

C. Unsur Cuaca dan Iklim

Cuaca dan iklim memiliki perbedaan definisi yang saling berhubungan. Iklim akan mempengaruhi cuaca di suatu tempat, sedangkan cuaca yang terjadi akan dipengaruhi iklim tempat tersebut. Pada dasarnya Iklim adalah keadaan cuaca rata-rata dalam waktu satu tahun yang penyelidikannya dilakukan dalam waktu yang lama (minimal 30 tahun) dan meliputi wilayah yang luas. Matahari adalah kendali iklim yang sangat penting dan sumber energi di bumi yang menimbulkan gerak udara dan arus laut. Kendali iklim yang lain, misalnya distribusi darat dan air, tekanan tinggi dan rendah, massa udara, pegunungan, arus laut dan badai Sedangkan cuaca adalah keadaan udara pada saat tertentu dan di wilayah tertentu yang relatif sempit dan pada jangka waktu yang singkat. Cuaca itu terbentuk dari gabungan unsur cuaca dan jangka waktu cuaca bisa hanya beberapa jam saja.

Contoh unsur cuaca yaitu angin dan suhu muka laut. Angin adalah gerak udara yang sejajar dengan permukaan bumi. Udara bergerak dari daerah bertekanan tinggi ke daerah bertekanan rendah. Angin juga dapat dikatakan terjadi karena adanya perbedaan suhu yaitu angin bergerak dari suhu rendah ke suhu tinggi. Suhu muka laut di perairan Indonesia sebagai indeks banyaknya uap air pembentuk awan di atmosfer. Jika suhu muka laut dingin uap air di atmosfer menjadi berkurang, sebaliknya jika suhu muka laut panas uap air di atmosfer banyak. Cuaca maritim berada dalam kondisi cuaca ekstrim, apabila suhu udara > 35 oC, angin kencang > 25 knot, tinggi gelombang > 2.5 meter, hujan lebat > 50 mm/hari, 20 mm/jam.

D. Pengaruh Unsur Cuaca Terhadap Kondisi Laut

Unsur-unsur cuaca yang meliputi angin, kelembaban udara, tekanan udara serta suhu berpengaruh pada keadaan permukaan laut yang keduanya disebut gerakan air laut. Dalam hal ini pengaruhnya terdapat pada ketinggian gelombang serta kecepatan arus laut. Utamanya di permukaan laut.

(1) Gelombang Laut :

Gelombang adalah pergerakan naik dan turunnya air dengan arah tegak lurus permukaan air laut yang membentuk kurva/grafik sinusoidal .Gelombang/ombak yang terjadi di lautan dapat diklasifikasikan menjadi beberapa macam tergantung kepada gaya pembangkitnya. Pembangkit gelombang laut dapat disebabkan oleh angin (gelombang angin), gaya tarik menarik bumi-bulan-matahari (gelombang pasang-surut), gempa (vulkanik atau tektonik) di dasar laut (gelombang tsunami), ataupun gelombang yang disebabkan oleh gerakan kapal. Energi gelombang akan membangkitkan arus dan mempengaruhi pergerakan sedimen dalam arah tegak lurus pantai (cross-shore) dan sejajar pantai (longshore)..

4

Pengaruh kecepatan angin (Va) tehadap kemungkinan tinggi gelombang laut (H) dan gelombang maksimum yang dapat terjadi ditunjukkan oleh skala Beaufort.. Pada tahun 1804, Beaufort seorang Laksamana Inggris telah membuat daftar kekuatan dan kecepatan angin yang digunakannya untuk pelayaran [10]ditunjukkan pada Tabel 1.

Pada Tahun 1920, Kapten Captain H.P. Douglas CMG, hydrographer untuk royal navy menentukan ketinggian gelombang laut untuk navigasi dan digunakan sebagai rekomendasi pada tahun 1929 untuk penggunaan secara internasional[8] dengan skala 0 hingga 9 ditunjukkan pada Tabel II

TABEL I SKALA BEAUFORT[8]

Skala Kategori Va (knot) H (meter)

(Maksimum)

0 Udara Tenang 0 0 1 Angin lemah 1-3 0.1 2 Angin 4-6 0.2 (0.3) 3 Angin 7-10 0.6 (1.0) 4 Angin sedang 11~16 1.0(1.5) 5 Angin segar 17~21 2.0(2.5) 6 Angin kuat 22~ 27 3.0 (4.0) 7 Angin ribut 28 ~33 4.0 (5.5) 8 Angin ribut sedang 34~ 40 5.5 (7.5) 9 Angin ribut kuat 41~ 47 7.0 (10.0)

TABEL II

SKALA KETINGGIAN GELOMBANG LAUT DOUGLAS 8]

Skala Ketinggian Gelombang (meter) Deskripsi

0 0 Calm (glassy) 1 0 – 0.1 Calm (rippled) 2 0.1 – 0.5 Smooth (wavelets) 3 0.5 – 1.25 Slight 4 1.25 – 2.5 Moderate 5 2.5 – 4.0 Rough 6 4.0 – 6.0 Very rough 7 6.0 – 9.0 High 8 9.0 – 14.0 Very high 9 >14.0 Phenomenal

(2) Arus Laut :

Arus laut adalah gerakan massa air laut yang berpindah dari satu tempat ke tempat lain. Arus di permukaan laut terutama disebabkan oleh tiupan angin, sedang arus di kedalaman laut disebabkan oleh perbedaan densitas massa air laut. Selain itu, arus di permukan laut dapat juga disebabkan oleh gerakan pasang surut air laut atau gelombang. Arus laut dapat terjadi di samudera luas yang bergerak melintasi samudera (ocean currents), maupun terjadi di perairan pesisir (coastal currents). Arus samudera terbagi atas arus permukaan laut di samudera (Surface Circulation) dan arus di kedalaman samudera (Deep-water Circulation). Penyebab utama arus permukaan laut di samudera adalah tiupan angin yang bertiup melintasi permukaan Bumi melintasi zona-zona lintang yang berbeda. Ketika angin melintasi permukaan samudera, maka massa air laut tertekan sesuai dengan arah angin.

E. AT Command AT Command berasal dari kata attention command.

Attention berarti peringatan atau perhatian, command berarti perintah atau instruksi. Maksudnya ialah perintah atau instruksi yang diimlmentasikan pada modem atau handset. AT Command diperkenalkan oleh Dennis Hayes pada tahun 1977[9] yang dikenal dengan “smart modem”. Modem bekerja pada baud rate 300 bps. Modem ini terdiri dari sederet instruksi yang mengatur komunikasi dan fitur-fitur di dalamnya. AT Command mempunyai dua mode, yaitu mode data (data mode) dan mode perintah (command mode) .Untuk berpindah dari mode data menuju mode perintah dipisahkan oleh tiga tanda plus dan jeda selama satu detik.

Pada modem GSM terdapat suatu komponen wireless modem/engine yang dapat diperintah antara lain untuk mengirim suatu pesan SMS dengan protokol tertentu. Standar perintah tersebut dikenal sebagai AT-Command, sedangkan protokolnya disebut sebagai PDU (Protokol Data Unit). Melalui AT-Command dan PDU inilah kita dapat membuat mengirim/menerima SMS secara otomatis berdasarkan program yang kita buat.

Dalam perkembangannya AT Command diterapkan pada mobile handset (telepon sellular). Instruksi dasar AT Command digunakan hampir oleh semua jenis telepon selular. Beberapa instruksi yang ditambahkan sendiri pada handset tersebut oleh vendor pembuatnya. Contoh penggunaan AT command yaitu AT+CMGS = “No Tujuan” > Isi Pesan, untuk mengirim SMS dari perangkat ke no tujuan. AT+CMGF =1 untuk mengubah format sms dari perangkat menjadi bentuk text.

II. METODE PENELITIAN . Sebagai dasar penelitian mengenai kelayakan pelayaran

nelayan yang hubungannya dengan cuaca adalah penelitian-penelitian yang telah dilakukan sebelumnya. Data yang digunakan merupakan data unsur cuaca yang berasal dari data sekunder yang dimiliki oleh BMKG II Perak Surabaya yang diukur per jam selama lima tahun yang dimulai dari Januari 2008 hingga Maret 2011. Data yang dimaksud adalah data masukan yang berupa kecepatan angin, gelombang laut, dan arus laut didapatkan dari BMKG II Perak dengan metode penggunaan software windwave. Koordinat pengambilan data ini adalah 115.6179o E -7.901o S (Perairan Banyuwangi), 114o E-7.4o S (Perairan Situbondo) dan 113o E-7.41o S (Perairan Pasuruan). Data tersebut terdiri dari 3 variabel yaitu kecepatan angin (knot) ketinggian gelombang laut (meter) dan kecepatan arus laut (meter/detik). Data yang telah diperoleh itu dibagi menjadi dua bagian, bagian pertama digunakan sebagai data training Fuzzy C-Means dari tahun Januari 2008 sampai Desember 2009 dan bagian kedua dijadikan sebagai data validasi yaitu bulan Januari 2010 hingga November 2011. Lokasi Pengambilan data yaitu 6-12 mil dari lepas pantai yang merupakan jalur penangkapan ikan II berdasarkan Peraturan Menteri Kelautan dan Perikanan Republik Indonesia Nomor PER.02/MEN/2011. Populasi jumlah nelayan Jawa Timur tersebar antara Pasuruan, Situbondo, dan Banyuwangi

5

dengan hasil tangkapan yang cukup besar untuk nelayan Jawa Timur.. Dasar inilah yang digunakan untuk pengambilan data pada lokasi tersebut.

Dalam mencapai tujuan penelitian dan memperoleh pemecahan masalah, langkah-langkah kegiatan yang perlu dilakukan secara urut dan sistematis. Adapun langkah-langkah yang harus dilalui diberikan dalam diagram alir pada Gbr. 2

Gbr.2 Alur Penelitian

F. Perancangan Prediksi Cuaca Maritim dengan Logika

Fuzzy Perancangan logika fuzzy untuk penelitian ini dimulai dari

proses pengelompokan (cluster) yang menggunakan Fuzzy C Means yang kemudian digunakan FIS editor untuk perancangannya. Variabel cuaca didapatkan dari data cuaca yang berasal dari BMKG. Variabel cuaca yang dibutuhkan dapat dilihat dari kebutuhan untuk kelayakan pelayaran. Untuk faktor kelayakan pelayaran sendiri yang paling berpengaruh adalah ketinggian gelombang laut, dan kecepatan arus laut. Kedua variabel tersebut digunakan untuk keluaran logika fuzzy. Sedangkan variabel yang mempengaruhi ketinggian gelombang dan arus laut dapat berupa kecepatan angin, ketinggian gelombang aktual, ketinggian gelombang satu jam sebelumnya, kecepatan arus laut aktual , dan kecepatan arus satu sebelumnya yang akan digunakan sebagai masukan[12].

Variabel cuaca yang didapatkan dari BMKG Perak I dan II selama dua tahun kemudian dikelompokkan menggunakan Fuzzy C-Means untuk memudahkan menentukan kelas dan akan digunakan pada pembentukan fungsi keanggotaan pada Fuzzy Inference System (FIS) menggunakan Fuzzy Toolbox. (1) Penentuan Fungsi Keanggotaan

Penggunaan fungsi keanggotaan berdasarkan pada bentuk kurva. Kurva yang dipakai pada simulasi kelayakan cuaca pada pelayaran ini menggunakan kurva gaussmf. Hal ini dikarenakan penggunaan kurva gaussian digunakan untuk data

yang sifatnya kontinu. Cuaca adalah sesuatu yang kontinu yang berarti perubahan cuaca berkisar tiap satu tahun sesuai dengan perubahan musim. Fuzzifikasinya juga lebih halus. Walaupun gaussian set range yang diberikan lebih lebar. Pembentukan fungsi keanggotaan menggunakan Fuzzy Inference System Editor (FIS Editor) tipe Sugeno-Takagi karena keluaran yang diinginkan adalah berupa numerik. Kurva gauss menggunakan dua parameter yaitu nilai domain pusat kurva dan standar deviasi yang menunjukkan lebar kurva. Penentuan nilai domain pusat kurva dengan menggunakan clustering Fuzzy C-Means dan standar deviasi didapatkan dari standar deviasi data. Contoh hasil titik tengah dan standar deviasi serta label untuk fungsi keanggotaan ditujukkan pada Tabel III Penentuan label untuk tiap-tiap fungsi keanggotaan yang dibentuk berdasarkan skala Beaufort untuk kecepatan angin, Skala Douglas untuk ketinggian gelombang, dan keadaan laut secara global untuk kecepatan arus. Contoh hasil fungsi keanggotaan untuk ketinggian gelombang ditunjukkan pada Gbr. 3

TABEL III HASIL TITIK TENGAH DARI CLUSTERING FUZZY C MEANS

No Variabel Standar

Deviasi

Fungsi

Keanggotaan

Titik

Tengah

1 Kecepatan Angin (Knot)

2.2277 LA(Light Air) 2 2.2277 LB (Light Brezze) 4.47 2.2277 GB (Gentle Brezze) 7.6 2.2277 MB(Moderate

Breezze) 11

2 Ketinggian gelombang 1 jam sebelum (Ht-1)(m)

0.2378 SM (Smooth) 0.5 0.2378 SL (Slight) 0.7806 0.2378 SL2 (Slight) 1.14 0.2378 Moderate (M) 1.6

3 Ketinggian Gelombang Aktual (Ht-1(m)

0.2378 SM (Smooth) 0.5 0.2378 SL (Slight) 0.7806 0.2378 SL2(Slight) 1.14 0.2378 Moderate (M) 1.6

Gbr.3 Fungsi keanggotaan gelombang

(2) Penentuan Aturan:

Data yang telah dikelompokkan berdasarkan Fuzzy C-Means clustering kemudian dibuat aturan yang disebut aturan jika - maka (If Then) dengan contoh bentuk aturan untuk prediksi kecepatan arus dan ketinggian gelombang sebagai berikut Cu(t+1)f : IF (V(t) is MB and Cu(t) is F and Cu(t-1) is F THEN Cu(t+1) = (fr(U(t), Cu(t),Cu(t-1)) H(t+1)f : IF (U(t) is LA and H(t) is SM and H(t-1) is SM THEN Cu(t+1) = (fr(U(t), H(t),H(t-1)) (3) Validasi :

Setelah pemodelan menggunakan logika fuzzy didapatkan, langkah selanjutnya adalah validasi atau pengujian. Pengujian

mulai

Studi literatur

Identifikasi

Masalah

Pengambilan data

Kesesuaian

Sistem Prediktor

cuaca

Validasi sistem

prediktor cuaca

dengan logika

fuzzy

Kesesuaian

Sistem Informasi

Cuaca Maritim

Perancangan

Sistem Informasi

Perancangan

prediktor cuaca

dengan logika

fuzzy

Selesai

Pengujian Sistem

Informasi

Analisa Hasil dan

Pembahasan

Penyusunan

Laporan

tidak

ya

tidak

ya

6

logika fuzzy ini menggunakan data bulan Januari hingga November tahun 2010 hinggga yang berjumlah 7740 data yang diambil per jam. Hasil prediksi akan dibadingkan dengan keadaan sebenarnya. Data hasil keluaran dari logika fuzzy kemudian dibahasakan sesuai dengan fungsi keanggotaan yang telah ditentukan sebelumnya. Hasil pemodelan kemudian dibahasakan dan menggunakan cara yang sama dengan penentuan. Apabila data sebenarnya adalah “SMOOTH” maka hasil pemodelan juga harus “SMOOTH” Dengan demikian akan terlihat besar prosentase keakurasian logika yang telah dibuat G. Perancangan Sistem Simulasi Prediktor Cuaca Dengan

Visual Basic 6 Pemodelan fuzzy yang didapatkan dan diuji validitas maka

simulator prediksi dibuat dengan menggunakan Visual Basic 6.0. Software kelayakan pelayaran ini terdiri atas variabel yang mempengaruhi ketinggian gelombang dan kecepatan arus laut yaitu ketinggian gelombang laut sebelum, kecepatan arus laut, dan kecepatan angin. Simulator prediksi kelayakan perlayaran ditunjukkan pada Gbr. 4. Pada simulator prediksi cuaca dilakukan validasi dengan data keadaan sebenarnya.

Simulator Visual Basic 6 menggunakan variabel numerik dan dibahasakan menjadi linguistik dengan hasil prediksi berupa pemodelan logika fuzzy Sugeno yang dapat dibentuk persamaan matematisnya. Setelah validasi sesuai data sebenarnya kemudian dilakukan perancangan sistem informasi dengan basis Short Message Service menggunakan Visual Basic 6.

Gbr. 4. Tampilan software simulator prediksi ketinggian gelombang dan

kecepatan arus dengan menggunakan Visual Basic 6

H. Perancangan Sistem Informasi Cuaca Maritim dengan Media Komunikasi Short Message Service Perancangan sistem informasi cuaca maritim ini dengan

menggunakan perintah AT Command. AT command merupakan perintah atau instruksi yang diimplementasikan pada modem. Pada perancangannya diharapkan mampu mengirimkan SMS secara otomatis apabila menerima SMS. Oleh karena itu AT command yang digunakan untuk mengirim SMS adalah AT+CMGS untuk mengirim perintah mengirimkan SMS, membaca sms yang diterima menggunakan AT+CMGR , dan menghapus SMS dengan AT+ CMGD. Konsep yang digunakan untuk merancang informasi cuaca maritim dengan media komunikasi SMS. Modem GSM yang digunakan pada perancangan ini adalah Huawei k3765 dengan kecepatan setting port yaitu 9600 bit/detik.

Sistem informasi cuaca yang dirancang berbasis SMS dengan menggunakan modem GSM sebagai server SMS. Sistem simulator prediksi fuzzy yang digunakan diintegrasi dengan menggunakan piranti berupa modem SMS. Sistem informasi cucaca maritim ini dirancang dengan menggunakan software Visual Basic 6 yang dapat mengirimkan SMS secara otomatis berdasarkan SMS yang diterima oleh modem GSM. Tampilan Untuk Simulator SMS autoresponder ditunjukkan pada Gbr. 5. Pada simulator Visual Basic 6 ini dapat dipilih input data masukkan prediksi cuaca maritim dari database ataupun secara manual. Database yang digunakan adalah tahun 2010 Selama satu tahun untuk variabel masukkan untuk prediksi cuaca maritim.

Gbr. 5. Tampilan software simulator prediksi ketinggian gelombang dan

kecepatan arus dengan menggunakan Visual Basic 6

III. ANALISA DATA DAN PEMBAHASAN Logika fuzzy menggunakan bentuk fungsi keanggotaan

berupa gaussian mendapatkan bentuk Gaussian pada diperlukan nilai titik tengah dan standar deviasi masing-masing fungsi keanggotaan. Nilai tersebut didapatkan dari hasil clustering menggunakan Fuzzy C Means. Nilai keluaran dengan menggunakan algoritma evalfis dari software Matlab sedangkan untuk kelayakan pelayaran menggunakan Simulink pada Matlab

L. Prediksi Ketinggian Gelombang

Data yang digunakan untuk mengetahui ketepatan prediksi ketinggian gelombang laut merupakan data dua bulan yaitu Januari 2010 dan November 2010 yang terdiri dari data per jam sejumlah. Data yang didapatkan dari BMKG merupakan data hasil penggunaan WindWave kemudian dibandingkan dengan hasil pemodelan menggunakan logika fuzzy. Data tersebut merupakan data untuk titik 115.6179o E -7.901o S (Perairan Banyuwangi), 114o E-7.4o S (Perairan Situbondo) dan 113o E-7.41o S (Perairan Pasuruan). Hasil prediksi dan sebenarnya kemudian dibandingkan berdasarkan kesamaan fungsi keanggotaan.

Pemodelan logika fuzzy yang digunakan untuk memprediksi satu jam, enam jam, dua belas jam, dan dua puluh empat jam kemudian. Hasil perbandingan antara ketinggian gelombang sebenarnya dengan ketinggian gelombang prediksi untuk data Perairan Bayuwangi, Situbondo dan Pasuruan ditunjukkan

7

pada Gbr. 6, Gbr. 7 dan Gbr. 8 dimana sumbu menunjukkan waktu dan sumbu y menunjukkan ketinggian gelombang laut dalam meter dengan warna grafik berwarna biru merupakam data ketinggian gelombang sebenarnya 1 jam kedepan dari BMKG dan grafik berwarna merah merupakan hasil prediksi ketinggian gelombang.

Gbr. 6. Grafik hasil prediksi (merah) dan data validasi (biru) ketinggian

gelombang untuk 1 jam kedepan Perairan Banyuwangi

Gbr. 7. Grafik hasil prediksi (merah) dan data validasi (biru) ketinggian

gelombang untuk 1 jam kedepan Perairan Situbondo

Gbr. 8. Grafik hasil prediksi (merah) dan data validasi (biru) ketinggian

gelombang untuk 1 jam kedepan Perairan Pasuruan

TABEL IV HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KETINGGIAN

GELOMBANG DENGAN DATA SEBENARNYA PADA PERAIRAN BANYUWANGI

No Waktu Prediksi

Jumlah Data

Validasi

Jumlah Data Prediksi yang

Memiliki

Prosentase Akurasi

Kesamaan Fungsi Keanggotaan dengan Data

Validasi 1 1 Jam 7740 7275 93.99% 2 6 Jam 7740 6828 88.21 % 3 12 Jam 7740 6297 81.35 % 4 24 Jam 7740 6140 79.32 %

TABEL V

HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KETINGGIAN GELOMBANG DENGAN DATA SEBENARNYA PADA PERAIRAN SITUBONDO

No Waktu Prediksi

Jumlah Data

Validasi

Jumlah Data Prediksi yang

Memiliki Kesamaan Fungsi

Keanggotaan dengan Data

Validasi

Prosentase Akurasi

1 1 Jam 7740 7361 95.10% 2 6 Jam 7740 7126 92.07% 3 12 Jam 7740 6895 89.08% 4 24 Jam 7740 6466 83.54%

TABEL VI

HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KETINGGIAN GELOMBANG DENGAN DATA SEBENARNYA PADA PERAIRAN PASURUAN

No Waktu Prediksi

Jumlah Data

Validasi

Jumlah Data Prediksi yang

Memiliki Kesamaan Fungsi

Keanggotaan dengan Data

Validasi

Prosentase Akurasi

1 1 Jam 7740 7312 94.47% 2 6 Jam 7740 7374 95.27% 3 12 Jam 7740 6968 90.02% 4 24 Jam 7740 6807 87.95%

J. Prediksi Kecepatan Arus

Sama seperti ketinggian gelombang, perancangan model fuzzy prediksi kecepatan arus dibanding dengan data sebenarnya. Data yang digunakan untuk pengecekan ketepatan prediksi ketinggian kecepatan arus merupakan data satu per jam yaitu pada Januari 2010 hingga November 2010 yang terdiri dari data per satu jam yang berjumlah 7740 data dan data untuk training dari bulan Januari 2008 sampai Desember 2009. Data yang didapatkan dari BMKG merupakan data hasil penggunaan WindWave kemudian dibandingkan dengan hasil pemodelan menggunakan logika fuzzy. Data tersebut merupakan data untuk titik 114.6179 E -7.901000 S yang akan disebut sebagai titik pengamatan perairan Banyuwangi. Hasil prediksi dan sebenarnya kemudian dibandingkan berdasarkan kesamaan fungsi keanggotaan .

Pemodelan logika fuzzy yang digunakan untuk memprediksi satu jam, enam jam, dua belas jam, dan dua puluh empat jam kemudian. Hasil perbandingan antara kecepatan arus sebenarnya dengan kecepatan arus prediksi untuk data Perairan Bayuwangi, Situbondo dan Pasuruan ditunjukkan pada Gbr. 9, Gbr. 10, dan Gbr. 11 dimana sumbu menunjukkan waktu dan sumbu y menunjukkan ketinggian gelombang laut dalam meter dengan warna grafik berwarna biru merupakam data ketinggian gelombang sebenarnya 1 jam

8

kedepan dari BMKG dan grafik berwarna merah merupakan hasil prediksi kecepatan arus.

Gbr. 9. Grafik hasil prediksi (merah) dan data validasi (biru) kecepatan arus

untuk 1 jam kedepan Perairan Banyuwangi

Gbr. 10. Grafik hasil prediksi (merah) dan data validasi (biru) kecepatan

arus untuk 1 jam kedepan Perairan Situbondo

Gbr. 11. Grafik hasil prediksi (merah) dan data validasi (biru) kecepatan

arus 1 jam kedepan Perairan Pasuruan

TABEL VII HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KECEPATAN ARUS

DENGAN DATA VALIDASI PADA PERAIRAN BANYUWANGI

No

Waktu Prediksi

Jumlah Data

Validasi

Jumlah Data Prediksi yang

Memiliki Kesamaan Fungsi

Keanggotaan dengan Data

Validasi

Prosentase Akurasi

1 1 Jam 7740 7479 96.62% 2 6 Jam 7740 7118 91.96% 3 12 Jam 7740 6745 87.14% 4 24 Jam 7740 6506 84.056%

TABEL VII HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KECEPATAN ARUS

DENGAN DATA SEBENARNYA PADA PERAIRAN SITUBONDO

No Waktu Prediksi

Jumlah Data

Validasi

Jumlah Data Prediksi yang

Memiliki Kesamaan Fungsi

Keanggotaan dengan Data

Validasi

Prosentase Akurasi

1 1 Jam 7740 7534 97.33% 2 6 Jam 7740 7071 91.34% 3 12 Jam 7740 6966 89.98 % 4 24 Jam 7740 6696 86.50%

TABEL IX HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KECEPATAN ARUS

DENGAN DATA SEBENARNYA PADA PERAIRAN PASURUAN

No Waktu Prediksi

Jumlah Data

Validasi

Jumlah Data Prediksi yang

Memiliki Kesamaan Fungsi

Keanggotaan dengan Data

Validasi

Prosentase Akurasi

1 1 Jam 7740 7384 95.38% 2 6 Jam 7740 7286 94.12% 3 12 Jam 7740 6755 87.26% 4 24 Jam 7740 6610 85.39%

K. Kelayakan Pelayaran

Aturan mengenai kelayakan pelayaran diatur di dalam UU Pelayaran No.17 tahun 2008. UU tersebut terdapat persyaratan untuk kapal dapat berlayar. Namun di dalam UU tersebut tidak terdapat penjelasan khusus mengenai kondisi cuaca yang baik untuk pelayaran. Di bidang pelayaran, aturan khusus mengenai keadaan cuaca untuk pelayaran tidak diatur secara tertulis di dalam suatu aturan, walau hal tersebut sangat penting untuk keselamatan. Dinas perhubungan memiliki suatu badan yang dinamakan Syahbandar yang bertugas untuk menjalankan dan melakukan pengawasan terhadap dipenuhinya ketentuan peraturan perundang-undangan untuk menjamin keselamatan dan keamanan pelayaran (UU No.17 th 2008). Syahbandarlah yang memberikan perijinan berlayar untuk kapal-kapal yang berlabuh. Cuaca untuk kelayakan pelayaran pada penelitian ini didasarkan dari kepakaran yaitu orang yang berwenang di bidang ke- Syahbandaran. Kondisi laut yang paling berpengaruh dalam kelayakan pelayaran kapal adalah kecepatan angin, ketinggian gelombang, dan kecepatan arus laut (Bp Bambang Supriyanto.Kabag ke-Syahbandaran). Adapun ketentuan kapal dinyatakan layak

9

untuk berlayar dinyatakan dalam bahasa linguistik pada Tabel X.

TABEL X VARIABEL KELAYAKAN PELAYARAN [9]

No GT Kapal Keadaan Laut Maksimal Ketinggian Gelombang Kecepatan Arus

1 1-7 GT Smooth Slow 2 7- 175 GT Slight Slight 3 175-500 GT Moderate Average 4 500-5000 GT Rough Fast 5 500-10000 GT Very Rough Very Fast

Penggunaan kepakaran kesyahbandaraan tersebut

digunakan untuk aturan kelayakan para nelayan jawa timur dengan tiga titik lokasi perairam. Pada lokasi titik pengamatan yang merupakan wilayah penangkapan II yaitu 12 mil dari lepas pantai dengan apal nelayan yang boleh melakukan penangkapan adalah 1- 10 GT dan 10- 30 GT . Sehingga pada Tabel X tersebut maka kelayakan pelayaran untuk kapal nelayan 1- 10 GT adalah Smooth pada ketinggian gelombang dan Slow pada Average sedangkan kapal nelayan 10-30 GT adalah Slight pada ketinggian gelombang dan Slight pada kecepatan arus

Simulasi kelayakan pelayaran dengan menggunakan simulink yang ditunjukkan pada Gbr. 12. Jumlah kesamaan waktu kelayakan pelayaran dibandingkan dengan data validasi. Apabila bernilai 1 berarti boleh berlayar dan apabila bernilai 0 berarti dilarang berlayar. Hasil Kelayakan Pelayaran untuk masing-masing titik pengamatan ditunjukkan pada masing-masing ditunjukkan pada Tabel XI-XIII.

Gbr. 12. Sistem informasi cuaca maritim dengan masukkan dari database

saat menerima pesan

TABEL XI HASIL KELAYAKAN PELAYARAN PERAIRAN BANYUWANGI

No GT Kapal Waktu

Prediksi

Kesamaan Kelayakan Pelayaran

Persen Akurasi

1 1-10 GT 1 Jam 7299 94.30% 10-30 GT 7707 99.57%

2 1-10 GT 6 Jam 7141 92.26% 10-30 GT 7675 99.16%

3 1-10 GT 12 Jam 6696 86.51% 10-30 GT 7645 98.77%

4 1-10 GT 24 Jam 6958 89.90% 10-30 GT 7582 97.96%

STABEL XII HASIL KELAYAKAN PELAYARAN PERAIRAN SITUBONDO

No GT Kapal Waktu

Prediksi

Kesamaan Kelayakan Pelayaran

Persen Akurasi

1 1-10 GT 1 Jam 7409 95.72% 10-30 GT 7701 99.50%

2 1-10 GT 6 Jam 7289 94.17% 10-30 GT 7671 99.11%

3 1-10 GT 12 Jam 7094 91.65% 10-30 GT 7641 98.72%

4 1-10 GT 24 Jam 6936 89.61% 10-30 GT 7587 98.02%

TABEL XIII

PAPER HASIL KELAYAKAN PELAYARAN PERAIRAN PASURUAN

No GT Kapal Waktu Prediksi

Kesamaan Kelayakan Pelayaran

Persen Akurasi

1 1-10 GT 1 Jam 7265 93.86% 10-30 GT 7707 99.57%

2 1-10 GT 6 Jam 7308 94.42% 10-30 GT 7698 99.46%

3 1-10 GT 12 Jam 7194 92.95% 10-30 GT 7707 99.57%

4 1-10 GT 24 Jam 6605 85.34% 10-30 GT 7656 98.91%

L.Sistem Prediktor Cuaca Maritim

Prediksi cuaca maritim dengan menggunakan Visual Basic 6 maka dilakukan validasi dengan data Januari 2010 hingga November 2010 sesuai perancangan fuzzy pada Matlab. Jumlah kesamaan fungsi keanggotaan dengan data validasi sehingga didapat dihitung ketepatannya. Hasil kesamaan fungsi keanggotan untuk ketinggian gelombang dan kecepatan pada data Perairan Banyuwangi, Situbondo dan Pasuruan ditunjukkan pada tabel XIV-XVII

Pada hasil pemodelan logika fuzzy pada Visual Basic 6 untuk cuaca maritim Perairan Banyuwangi didapatkan prosentase akurasi yang hampir sama dengan sistem fuzzy pada Matlab karena pembentukkan persamaan matematis dari FIS Sugeno sebagai hasil konsekuensi dari logika fuzzy Sugeno sedikit mempengaruhi akurasi sistem namun dapat diterima. Begitu juga pada hasil Perairan Pasuruan dan Situbondo yang menghasilkan akurasi yang hampir sama dibandingkan dengan pemodelan logika pada Matlab yang ditunjukkan. Sehingga prediktor cuaca maritim yang dibentuk pada Visual Basic 6 telah mampu digunakan sebagai prediktor cuaca maritim untuk Nelayan Jawa Timur.

TABEL XIV KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KETINGGIAN GELOMBANG

PADA VISUAL BASIC 6 DENGAN DATA SEBENARNYA PADA PERAIRAN BANYUWANGI

No Waktu Prediksi

Jumlah Data Prediksi yang

Memiliki Kesamaan Fungsi

Keanggotaan dengan Data

Validasi

Prosentase Akurasi

1 1 Jam 7358 95.06% 2 6 Jam 7070 91.34% 3 12 Jam 6654 85.97% 4 24 Jam 6284 81.19%

10

TABEL XV HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KECEPATAN ARUS PADA VISUAL BASIC 6 DENGAN DATA SEBENARNYA PADA PERAIRAN

BANYUWANGI

No Waktu Prediksi

Jumlah Data Prediksi yang

Memiliki Kesamaan Fungsi

Keanggotaan dengan Data

Validasi

Prosentase Akurasi

1 1 Jam 7358 95.06% 2 6 Jam 7070 91.34% 3 12 Jam 6654 85.97% 4 24 Jam 6284 81.19%

TABEL XVI

HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KETINGGIAN GELOMBANG PADA VISUAL BASIC 6 DENGAN DATA SEBENARNYA PADA

PERAIRAN SITUBONDO

No Waktu Prediksi

Jumlah Data Prediksi yang

Memiliki Kesamaan

Fungsi Keanggotaan dengan Data

Validasi

Prosentase Akurasi

1 1 Jam 7414 95.79% 2 6 Jam 7226 93.36% 3 12 Jam 6991 90.32% 4 24 Jam 6695 86.50%

TABEL XVII

HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KECEPATAN ARUS PADA VISUAL BASIC 6 DENGAN DATA SEBENARNYA PADA PERAIRAN

SITUBONDO

No Waktu Prediksi

Jumlah Data Prediksi yang

Memiliki Kesamaan

Fungsi Keanggotaan dengan Data

Validasi

Prosentase Akurasi

1 1 Jam 7353 95 % 2 6 Jam 7387 95.44 % 3 12 Jam 7091 91.61 % 4 24 Jam 6554 84.68 %

TABEL XVIII

HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KETINGGIAN GELOMBANG PADA VISUAL BASIC 6 DENGAN DATA SEBENARNYA PADA

PERAIRAN PASURUAN

No Waktu Prediksi

Jumlah Data Prediksi yang

Memiliki Kesamaan Fungsi

Keanggotaan dengan Data

Validasi

Prosentase Akurasi

1 1 Jam 7414 95.79% 2 6 Jam 7226 93.36% 3 12 Jam 6991 90.32% 4 24 Jam 6695 86.50%

TABEL XIV HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KETINGGIAN

GELOMBANG PADA VISUAL BASIC 6 DENGAN DATA SEBENARNYA PADA PERAIRAN PASURUAN

No Waktu Prediksi

Jumlah Data Prediksi yang

Memiliki Kesamaan Fungsi

Keanggotaan dengan Data

Validasi

Prosentase Akurasi

1 1 Jam 7143 92.29% 2 6 Jam 6975 90.12% 3 12 Jam 6743 87.12% 4 24 Jam 6557 84.72%

M. Sistem Informasi Cuaca Maritim dengan Media Short

Message Service Sistem informasi cuaca maritim dengan media Short

Message Service (SMS) dilakukan pengujian dengan metode dari data dan m asukkan secara manual. Berikut hasil simulasi dengan menggunakan media dengan SMS dengan dari masukkan data yang telah diperoleh dengan format data Microsoft Excel yang ditunjukkan pada Gbr. 13 dengan menggunakan database tahun 2010. Variabel data didapatkan masukkan kecepatan arus, ketinggian gelombang, dan kecepatan angin yang pada 4 Desember 2011 dengan waktu pengukuran jam 16. Prediksi keadaan laut dengan logika fuzzy untuk perairan Situbondo didapatkan sesuai ditunjukkan Gbr. 14. Gbr. 15 menunjukkan hasil pesan yang apabila mengirim pesan SITUBONDO ke sistem informasi cuaca maritim tersebut. Pesan SMS yang diterima oleh pengirim telah sesuai dengan hasil prediksi pada program prediksi sistem informasi cuaca maritim. Apabila pesan dikirim kepada sistem informasi cuaca berupa BANYUWANGI atau PASURUAN maka hasil yang diterima adalah prediksi cuaca maritim untuk Perairan Banyuwangi atau Pasuruan. Hasil Pesan SMS yang diterima dengan ditunjukkan Gambar 15 elah sesuai dengan hasil prediksi pada lembar Visual Basic 6 dimana masukkan variabel secara otomatis dari Microsoft Excel berdasarkan waktu saat program berjalan.

Gbr. 13. Sistem informasi cuaca maritim dengan masukkan dari database

saat menerima pesan

11

Gbr. 14. Hasil masukkan variabel dari database Microsoft Excel dan hasil

prediksi cuaca maritim

Gbr. 15. Grafik hasil prediksi (merah) dan data validasi (biru) ketinggian

gelombang untuk 1 jam kedepan Perairan Banyuwangi

Kesesuaian hasil pesan untuk masukkan variabel secara masukkan database telah sesuai dengan hasil pada program sehingga dapat dikatakan sistem informasi cuaca maritim untuk nelayan telah berjalan dengan baik.

IV. KESIMPULAN Berdasarkan studi dan perancangan yang telah

dilakukan, dapat disimpulkan bahwa Prosentase kesesuaian data antara data yang berasal

dari BMKG dengan data hasil pemodelan fuzzy untuk data sebanyak 7740 pada bulan Januari 2010 hingga November 2010 adalah sebagai berikut: Perairan Banyuwangi untuk prediksi kecepatan arus

prosentase keakuratan 96,62% untuk 1 jam ke depan, 91,96 % untuk prediksi 6 jam ke depan, 87,14% untuk prediksi 12 jam ke depan, 84,06 % untuk prediksi 24 jam ke depan. Prediksi ketinggian gelombang prosentase keakuratan 93,99% untuk prediksi 1 jam ke depan, 88,21% untuk prediksi 6

jam ke depan, 81,35% untuk prediksi 12 jam ke depan, dan 79,32% untuk prediksi 24 jam.

Perairan Pasuruan untuk prediksi kecepatan arus prosentase keakuratan 95,38% untuk 1 jam ke depan, 94,12 % untuk prediksi 6 jam ke depan, 87,26% untuk prediksi 12 jam ke depan, 85,39 % untuk prediksi 24 jam ke depan.Prediksi ketinggian gelombang prosentase ketepatan 94,47 % untuk prediksi 1 jam ke depan, 95,27 % untuk prediksi 6 jam ke depan, 90,02% untuk prediksi 12 jam ke depan, dan 87,95% untuk prediksi 24 jam ke depan.

Perairan Situbondo untuk prediksi kecepatan arus prosentase keakuratan 97,33% untuk 1 jam ke depan, 91,34 % untuk prediksi 6 jam ke depan, 89,98% untuk prediksi 12 jam ke depan, 86,15 % untuk prediksi 24 jam ke depan. Prediksi ketinggian gelombang prosentase ketepatan 95,1 % untuk prediksi 1 jam ke depan, 92,07 % untuk prediksi 6 jam ke depan, 89,08% untuk prediksi 12 jam ke depan, dan 83,54% untuk prediksi 24 jam ke depan.

Prosentase kesesuaian rata-rata kelayakan pelayaran hasil kelayakan data validasi sebanyak 7740 data untuk Perairan Banyuwangi untuk nelayan 0-10 GT yaitu 90,74% untuk nelayan 10-30 GT adalah 98,87%, Perairan Situbondo yaitu 92,79 % untuk nelayan 0-10 GT, 98,84% untuk nelayan 10-30 GT, dan Perairan Pasuruan yaitu 91,64 % untuk nelayan 0-10 GT dan 99,38 % untuk 10-30 GT.

Perancangan Sistem Informasi Cuaca Maritim dengan media komunikasi SMS dengan hasil pesan sesuai dengan hasil prediksi pada pada lembar program Visual Basic 6.

V. DAFTAR PUSTAKA [1] Arifin, Syamsul. 2009. “Aplikasi Sistem Logika Fuzzy

Pada Peramalan Cuaca Di Indonesia Untuk Mendeteksi Kejadian Anomali Tinggi Gelombang Laut”.

[2] Candra, Ardian. 2009. Tugas akhir: “Perancangan Model Adaptive Nuero Fuzzy Inference System untuk Memprediksi Cuaca Maritim”.Teknik Fisika ITS.

[3] Jaya, Riki. 2011. Tugas Akhir: “Perancangan Prediktor Cuaca Maritim Dengan Metode Adaptive Neuro Fuzzy Inference System (Anfis) Untuk Meningkatkan Jangkauan Ramalan, Studi Kasus: Pelayaran Surabaya Banjarmasin”. Teknik Fisika ITS.

[4] Kresnawan, Andre. 2009. Tugas Akhir: “Penerapan model Jaringan Syaraf Tiruan untuk Memprediksi Gangguan Cuaca maritim”. Teknik Fisika ITS.

[5] Kusumadewi, Sri. 2006. Analisa dan Desain Sistem Fuzzy. Yogyakarta: graha Ilmu

[6] MATLAB 2010b. 2010. Fuzzy Logic Toolbox Help. [7] Meilanitasari, Prita. 2010. Tugas Akhir : “Prediksi

Cuaca Menggunakan Logika Fuzzy untuk Kelayakan Pelayaran di Tanjung Perak Surabaya”. Teknik Fisika ITS.

[8] MetOffice, Fact Sheet No. 6 Of Beaufort (Version1), 2010. Devon : United Kingdom . [pdf]

12

<URL:http://www.metoffice.gov.uk/media/pdf/b/7/Fact_sheet_No._6.pdf>

[9] <URL:www.wikipedia.ord/wiki/AT_Command [10] <URL:http://news.okezone.com/read/2011/11/06/340/5

25639/tabrakan-kapal-satu-nelayan-hilang> [11] <URL:http://www.tempo.co.id/hg/nusa/sumatera/2007/

06/20/brk,20070620-102237,id.html> [12] Georgios Sylaios, Frederic Bouchette, Vassilios

A.Tsihrintzis, Clea Denamiel. 2008.” A fuzzy inference system for wind-wave modelling”. Science Direct.

BIODATA PENULIS Nama : Arief Hanifan P TTL : Lumajang, 3 April 1989 Alamat : Jln Mataram Perum

Milenia Blok F No.4 Jember

Email : huntnaivefun@rocketmail.com

Pendidikan : SD N Pembangunan 1 (1995 – 2001) SMPN 5 Probolinggo (2001 – 2004) SMAN 1 Probolinggo (2004 – 2007) Teknik Fisika ITS (2007 – Sekarang