FUZZY LOGIC CONTROL - DIGILIB ITS

Download penelitian ini digunakan metode logika fuzzy tipe Sugeno untuk memprediksi ..... tentang aksi atur yang bersifat fuzzy menjadi sinyal ...

0 downloads 711 Views 645KB Size
PERANCANGAN PREDIKTOR CUACA MARITIM DENGAN METODE LOGIKA FUZZY UNTUK MENINGKATKAN JANGKAUAN RAMALAN : STUDI KASUS PELAYARAN SURABAYA - BANJARMASIN (Jabar Al Hakim, Dr .Ir. Aulia Siti Aisjah, MT, Ir. Syamsul Arifin, MT) Jurusan Teknik Fisika – Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih – Sukolilo, Surabaya 60111 Abstrak Transportasi Laut terutama pelayaran kapal sangat dipengaruhi oleh cuaca maritim. 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 . Pada penelitian ini digunakan metode logika fuzzy tipe Sugeno untuk memprediksi cuaca maritim pada jalur pelayaran SurabayaBanjarmasin. Data yang digunakan adalah data yang diambil dari Badan Meteorologi Klimatologi dan Geofisika (BMKG) pada range waktu 5 tahun dari tahun 2006 hingga 2010, dan data bulan Januari 2010 hingga september 2010 digunakan untuk validasi sebanyak 6552 data. Data tersebut digunakan sebagai masukan pada logika fuzzy yang terdiri dari tiga variabel dan satu keluaran untuk masing-masing logika fuzzy yaitu ketinggian gelombang atau kecepatan arus. Pada hasil pengujian prediksi 1 jam kedepan kecepatan arus pada titik jalur pelayaran Surabaya-Banjarmasin validasi bedasarkan fungsi keanggotaan rata-rata sebesar 71.28 % dengan error rata-rata sebesar 0.035,dan ketinggian gelombang pada titik jalur pelayaran Surabaya-Banjarmasin validasi bedasarkan fungsi keanggotaan rata-rata sebesar 80.26% dengan error ratarata sebesar 0.0012. Kata kunci : Fuzzy Takagi-Sugeno, kecepatan arus, ketinggian gelombang. .

menggunakan metode matematis untuk peramalan. Pada penelitian sebelumnya telah dilakukan metode peramalan menggunakan fuzzy clustering (Syamsul Arifin,2007) pada kota Surabaya. Selanjutnya prediksi cuaca maritim menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS) (Ardian Candra P, 2010) untuk memprediksi curah hujan, arus laut, dan ketinggian gelombang laut di Tanjung Perak Surabaya. Kemudian prediksi cuaca maritime dengan metode fuzzy (Prita Meilanitasari, 2010) yang dilakukan pada Tanjung Perak Surabaya. Faktor alam yaitu terjadinya cuaca buruk yang ditandai dengan adanya badai, gelombang yang tinggi, arus yang besar, kabut yang mengakibatkan jarak pandang terbatas, merupakan factor yang perlu diprediksi. Hal ini diperlukan oleh para pengguna laut demi keamanan dalam pelayaran. Selanjutnya pada penelitian ini digunakan metode logika fuzzy untuk memprediksi cuaca maritime dengan jalur pelayaran Surabaya-Banjarmasin sebagai titik pengamatan dan interpolasi lagrange untuk beberapa titik yang belum dikehui. Data yang diambil merupakan hasil pengamatan dari BMKG Perak II. Logika fuzzy dapat dikembangkan untuk kebutuhan pengambilan keputusan karena sifatnya yang lebih manusiawi dan lebih mudah untuk diaplikasikan. Bedasarkan hal tersebut diperlukan data kondisi kecepatan angin, ketinggian gelombang dan kecepatan arus suatu tempat sehingga diperoleh hasil ramalan cuaca maritim yang dapat dijadikan informasi transportasi laut pada pelayaran Surabaya-Banjarmasin.

1. PENDAHULUAN 1.1 Latar Belakang

Indonesia 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%. Seperti kejadian 15 Januari 2009 tenggelamnya kapal motor Teratai Prima di Perairan Majene Sulawesi Barat. 14 Januari 2009, tenggelamnya kapal Kargo Bangka Jaya Expres akibat ombak besar di perairan Tanjung Berikat, Bangka Belitung, dan beberapa kejadian lain. Peraturan pemerintah no. 5 tahun 2010 pasal 4 menyebutkan bahwa tanggung jawab pemerintah terkait dengan penyelenggaraan kenavigasian salah satu diantaranya adalah pemberian pelayanan meteorologi. Selama ini, BMKG (Badan Meteorologi, Klimatologi dan Geofisika)

1

menunjukkan perbedaan tekanan udara dari dua isobar pada tiap jarak 15 meridian (111 km). Sebelum ada alat pengukur,angin ditaksir dengan skala kekuatan angin yang dikemukakan oleh armada Beaufort dan disebut skala Beaufort. Ada 13 skala dari skala Beaufort 0 (nol) artinya angin tenang (calm) sampai skala 12 artinya angin siklon. 2. Arah angin Satuan yang digunakan untuk besaran arah angin biasanya adalah derajat. 3. Kecepatan angin Atmosfer ikut berotasi dengan bumi. Molekulmolekul udara mempunyai kecepatan gerak ke arah timur, sesuai dengan arah rotasi bumi. Kecepatan gerak tersebut disebut kecepatan linier. Bentuk bumi yng bulat ini menyebabkan kecepatan linier makin kecil jika makin dekat ke arah kutub. 2.2.3 Tekanan Udara Tekanan udara berhubungan erat dengan suhu. Bila suhu tinggi maka tekanannya rendah. Makin tinggi suatu tempat dari permukaan laut, makin rendah tekanan udaranya. Hal ini disebabkan karena makin berkurangnya udara yang menekan. Besarnya tekanan udara diukur dengan barometer dan dinyatakan dengan milibar (mb). Tekanan udara dapat dibedakan menjadi 3 macam,yaitu tekanan udara tinggi (lebih dari 1013 mb),tekanan udara rendah (kurang dari 1013 mb), dan tekanan di permukaan laut (sama dengan 1013 mb). Satuan ukuran tekanan udara adalah milibar (mb). 1 mb = mm tekanan air raksa (t.a.r) atau 1.013 mb = 76 cm t.a.r. = 1 atmosfer 2.2.4 Kelembaban Udara Adalah perbandingan antara uap air dengan udara pada saat tertentu dan dari suatu tempat tertentu dan merupakan ukuran banyaknya uap air di udara. Klasifikasi kelembapan dibedakan menjadi beberapa hal sebagai berikut. 1) kelembapan spesifik, yaitu perbandingan antara masa udara sebenarnya di atmosfer dengan satu masa udara, biasanya dinyatakan dalam sistim matrik, gram/kilogram. 2) Nisbi Campuran (Mixing ratio), yaitu massa uap air per satuan massa udara kering. 3) Kelembapan mutlak, yaitu masa uap air yang terdapat dalam satu satuan udara, dinyatakan dalam gram/m3. 4) Kelembapan nisbi (relatif humidity), yaitu perbandingan antara masa uap air yang ada di dalam satu satuan volume udara, dengan masa uap air yang maksimum dapat dikandung pada suhu dan tekanan yang sama. Oleh karena itu kelembapan nisbi dapat pula merupakan perbandingan antara tekanan uap air (actual) dengan tekanan uap air jenuh pada suhu yang sama. Satuan kelembapan nisbi dinyatakan dalam bentuk %. Alat untuk mengukur kelembapan udara disebut psychrometer atau hygrometer.

2. TEORI PENUNJANG 2.1 Cuaca dan Iklim Cuaca dan iklim merupakan dua kondisi yang hampir sama tetapi berbeda pengertian khususnya terhadap kurun waktu. Cuaca merupakan bentuk awal yang dihubungkan dengan penafsiran dan pengertian akan kondisi fisik udara sesaat pada suatu lokasi dan suatu waktu, sedangkan iklim merupakan kondisi lanjutan dan merupakan kumpulan dari kondisi cuaca yang kemudian disusun dan dihitung dalam bentuk rata-rata kondisi cuaca dalam kurun waktu tertentu (Winarso, 2003). 2.2 Unsur-Unsur Cuaca dan Iklim Unsur-unsur cuaca/iklim terdiri dari suhu udara, angin, tekanan udara, curah hujan dan kelembapan udara. 2.2.1 Suhu Udara Suhu udara adalah derajat panas dari aktivitas molekul dalam atmosfer. Lazimnya pengukuran suhue dinyatakan dalam skala Celcius, Reamur, dan Fahrenheit. Suhu di muka bumi tidaklah sama di berbagai tempat.Perlu diketahui bahwa suhu udara antara daerah satu dengan daerah lain sangat berbeda Untuk mengetahui suhu rata-rata suatu tempat digunakan rumus: …(2.1) Keterangan: Tx = suhu rata rata suatu tempat (x) yang dicari To = suhu suatu tempat yang sudah diketahui h = tinggi tempat (x) Suhu di Indonesia tidak berubah karena musim seperti yang sering terjadi pada daerah-daerah yang terletak di luar daerah tropik. Perubahan suhu di Indonesia adalah: 1. Dalam waktu 24 jam, atau antara siang dan malam, dengan suhu tertinggi biasanya terdapat antara pukul 14-15, dan suhu terendah pukul 0607 pagi. 2. Menurut ketinggian tempat, setiap naik 100 meter suhu turun 0,50 ºC. Adanya perairan, seperti selat dan laut sangat besar peranannya pada pengendalian suhu, sehingga tidak terjadi perbedaan suhu terendah dan suhu tertinggi yang sangat besar, seperti misalnya di Siberia dan Mongolia yang letaknya jauh dari lautan. 2.2.2 Angin Angin adalah udara yang bergerak dari daerah bertekanan udara tinggi ke daerah bertekanan udara rendah. Adanya tekanan udara menyebabkan terjadinya angin. Gejala ini sesuai dengan hukum Boys Ballot bahwa udara akan senantiasa mengalir dari daerah bertekanan tinggi kedaerah yang bertekanan rendah dan dibelahan bumi utara angin berbelok kekanan, dibelahan bumi selatan angin berbelok kekiri. Ada tiga hal penting yang menyangkut sifat angin yaitu: 1. Kekuatan angin Menurut hukum Stevenson, kekuatan angin berbanding lurus dengan gradient barometriknya. Gradient baromatrik ialah angka yang

...(2.2) 2.2.5 Curah Hujan Curah hujan yaitu jumlah air hujan yang turun pada suatu daerah dalam waktu tertentu. Alat untuk mengukur

2

banyaknya curah hujan disebut Rain gauge. Curah hujan diukur dalam harian, bulanan, dan tahunan. Menurut BMKG, berdassarkan curah hujannya hujan dikasifikasikan menjadi: hujan sedang dengan curah hujan 20 - 50 mm per hari, hujan lebat dengan curah hujan 50100 mm per hari, dan hujan sangat lebat denga curah hujan di atas 100 mm per hari. 2.2.6 Gelombang Laut 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 pasangsurut), 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). Gelombang adalah pergerakan naik dan turunnya air dengan arah tegak lurus permukaan air laut yang membentuk kurva/grafik sinusoidal. Gelombang laut disebabkan oleh angin. Angin di atas lautan mentransfer energinya ke perairan, menyebabkan riak-riak, alun/bukit, dan berubah menjadi apa yang kita sebut sebagai gelombang. 2.2.7 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).

pendekatan di atas. Dalam himpunan fuzzy, fungsi karakteristik µA ≡ µA(υ) dimungkinkan mempunyai harga antara 0 dan 1 yang menyatakan derajat keanggotaan setiap elemen dalam himpunan yang diberikan. Suatu himpunan fuzzy A dalam suatu semesta pembicaraan U = {υ} didefinisikan oleh pasangan : A = {(u, µA(u)/ uεA} Dimana µA(u):U → [ 0,1 ] adalah derajat keanggotaan dari u. Jika A adalah himpunan fuzzy diskrit, maka :

A   A (u1 ) / u1  ...   A (un ) / un

Dan jika kontinu maka himpunan fuzzy dapat didefinisikan :

A    A (u ) / x x

Tanda “ / “ bukanlah tanda pembagian tetapi digunakan untuk menghubungkan sebuah elemen dengan derajat keanggotaannya. 2.3.2 Struktur dasar logika Fuzzy Pada dasarnya struktur logika fuzzy dapat digambarkan seperti berikut : Basis Pengetahuan output

input Fuzzifikasi

Fuzzy

Defuzzifikasi Logika Pengambilan Keputusan

Fuzzy

Gambar 2.1 Struktur Dasar Logika Fuzzy Fungsi dari bagian-bagian di atas adalah sebagai berikut: 1. Fuzzifikasi Berfungsi untuk mentransformasikan sinyal masukan yang bersifat crisp ( bukan fuzzy ) ke himpunan fuzzy dengan menggunakan operator fuzzifikasi. 2. Basis Pengetahuan Berisi basis data dan aturan dasar yang mendefinisikan himpunan fuzzy atas daerah – daerah masukan dan keluaran dan menyusunnya dalam perangkat aturan. 3. Logika Pengambil Keputusan Merupakan inti dari Logika Fuzzy yang mempunyai kemampuan seperti manusia dalam mengambil keputusan. Aksi atur fuzzy disimpulkan dengan menggunakan implikasi fuzzy dan mekanisme inferensi fuzzy. 4. Defuzzifikasi Berfungsi untuk mentransformasikan kesimpulan tentang aksi atur yang bersifat fuzzy menjadi sinyal sebenarnya yang bersifat crisp dengan menggunakan operator defuzzifikasi. 2.3.3 Fungsi keanggotaaan Fungsi keanggotaan (membership function ) dari himpunan fuzzy adalah suatu fungsi yang menyatakan keanggotaan dari suatu himpunan nilai nilai. Penentuan nilai nilai diperoleh dari rule / kaidah fuzzy yang menggunakan metoda implikasi. Ada dua metoda untuk mendefinisikan keanggotaan himpunan fuzzy, pertama secara numerik

2.3 Logika Fuzzy Teori himpunan logika samar dikembangkan oleh Prof. Lofti Zadeh pada tahun 1965. Zadeh berpendapat bahwa logika benar dan salah dalam logika konvensional tidak dapat mengatasi masalah gradasi yang berada pada dunia nyata. Untuk mengatasi masalah gradasi yang tidak terhingga tersebut, Zadeh mengembangkan sebuah himpunan fuzzy. Tidak seperti logika boolean, logika fuzzy mempunyai nilai yang kontinue. Samar dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama. 2.3.1 Himpunan Fuzzy Himpunan fuzzy (fuzzy set) adalah sekumpulan obyek x dimana masing-masing obyek memiliki nilai keanggotaan (membership function) “μ” atau disebut juga dengan nilai kebenaran. Himpunan Crisp dapat dinyatakan sebagai nilai yang sebenarnya untuk menyatakan konsep relative, misalnya seperti kecepatan dan posisi. Di dalam penggunaannya, himpunan ini sangatlah terbatas berbeda dengan ekspresi “cepat”, “lambat”, “jauh”, “dekat” ataupun “besar”, “kecil” yang merupakan nilai pendekatan dan tergantung pada konteks pembicaraan. Himpunan fuzzy memberikan kerangka untuk menyatakan ekspresi

3

base) berisi informasi tentang cara membangkitkan fakta baru atau hipotesa fakta yang sudah ada. 1. Basis Data (Data Base). Basis data berfungsi untuk mendefinisikan himpunan-himpunan fuzzy dari sinyal masukan dan sinyal keluaran agar dapat digunakan oleh variabel linguistik dalam basis aturan. Dalam pendefinisian tersebut biasanya dilakukan secara subjektif dengan menggunakann pendekatan heuristik dan didasarkan pada pengalaman dan pertimbangan yang menyangkut kerekayasaan, sehingga bergantung penuh pada perancang. 2. Kaidah Atur (Rule Base). Kaidah atur dalam fuzzy ini biasanya tersusun dengan pernyataan : IF (antecedent) THEN (consequent) atau dapat juga IFx is A THENy is B. Antecedent : berisi himpunan fakta input (sebab). Consequent : berisi himpunan fakta output (akibat). IF … THEN … dalam logika fuzzy akan melakukan pemetaan dari himpunan fuzzy input kehimpunan fuzzy output. 2.3.7 Logika pengambil keputusan Sering pula disebut sebagai Fuzzy Inference system (FIS) merupakan bagian terpenting dalam logika fuzzy. Langkah yang dilakukan pada tahap ini yaitu mengevaluasi aturan, dimana mengevaluasi aturan mempunyai arti yaitu logika fuzzy mengolah dan menyimpulkan proses yang tersusun dari rule IF...THEN, setiap rule menghasilkan satu output. Pada dasarnya satu rule akan aktif apabila kondisi input memenuhi aturan pernyataan IF. Pengaktifan aturan pernyataan IF menghasilkan output kontrol yang didasarkan pada aturan pernyataan THEN. Dalam sistem fuzzy digunakan banyak rule yang menyatakan satu atau lebih pernyataan IF. Suatu rule dapat pula mempunyai beberapa kondisi input, yang satu sama lainya dihubungkan dengan AND atau OR untuk mendapatkan rule output. 2.3.8 Defuzzifikasi Defuzzifikasi merupakan proses merubah output fuzzy dari FIS (fuzzy inference system) menjadi output crips. Bentuk umum proses defuzzyfikasi diyatakan dengan:

dinyatakan sebagai suatu nilai vektor yang besarnya tergantung dari level diskritnya. 2.3.4 Variabel linguistik Variabel linguistik dalam penjabaranya diungkapkan dalam bahasa natural/alami yang dapat mengikuti pola pikir manusia dimana nilai nilainya didefinisikan dengan istilah linguistik. Secara umum variabel yang sering digunakan adalah negatif Big (NB), Negatif Medium (NM), Zero (Z), Positif Small (PS), Positif Medium (PM), Positif Big (PB), dan seterusnya. 2.3.5 Fuzzifikasi Fuzzifikasi merupakan suatu proses pengubahan variable non-fuzzy(crisp) kedalam variabel fuzzy, variable input(crisp) dipetakan ke bentuk himpunan fuzzy sesuai dengan variasi semesta pembicaraan input. Pemetaan titiktitik numerik ( crisp points)x = (x1, x2, ………, xn)Tє U ke himpunan fuzzy A pada semesta pembicaraan U. Data yang telah dipetakan selanjutnya dikonversikan ke dalam bentuk linguistik yang sesuai dengan label dari himpunan fuzzy yang telah terdefinisi untuk variabel input sistem. Di dalam pemetaan ini terdapat dua kemungkinan pemetaan yaitu : 1. Fuzzyfikasi singleton : A adalah fuzzy singleton dengan support x, artinya: 1 0

 A ( x)  

2.

untuk x  xo untuk x U yang lain

…(2.3)

Fuzzyfikasi nonsingleton: A ( x) =1 dan A ( x’) menurun dari 1 sebagaimana x’ bergerak menjauh dari x. Sebagai contoh : 

 A ( x)  exp   

( x'  x) T ( x'  x)   2 

…(2.4)

Fuzzifikasi memiliki dua komponen yang utama, yaitu : 1. Fungsi keanggotaan himpunan fuzzy. Fungsi keanggotaan Merupakan sebuah kurva yang menggambarkan pemetaan dari input ke derajat keanggotaan antara 0 dan 1. Melalui fungsi keanggotaan yang telah disusun maka dari nilai-nilai masukan tersebut menjadi informasi fuzzy yang berguna nantinya untuk proses pengolahan secara fuzzy pula. Banyaknya jumlah fungsi keanggotaan dalam fuzzy set menentukan banyaknya aturan yang harus dibuat. 2. Label. Didalam Fuzzy set tentunya memiliki beberapa fungsi keanggotaan, jumlah dari keanggotaan inipun disesuaikan dengan banyaknya kebutuhan. Setiap fungsi keanggotaan dapat didefinisikan dengan label atau nama. Dapat dinyatakan dengan “besar”, “sedang”, “kecil” atau sesuai dengan keinginan. 2.3.6 Basis pengetahuan Basis pengetahuan terdiri dari fakta (Data Base), dan kaidah atur (Rule Base). Fakta merupakan bagian pengetahuan yang memuat informasi tentang objek, peristiwa, atau situasi. Fakta umumnya menyatakan kondisi statik dari suatu objek. Sedangkan kaidah (Rule

Z0 = defuzzier (z) dimana z adalah aksi pengendalian fuzzy, Z0 adalah aksi pengendali crisp, dan defuzzifier adalah operator defuzzifikasi. Terdapat dua macam metode defuzzifikasi, yaitu : 1. Metode Titik Pusat (Center Of Area, COA). Metode ini membagi dua momen pertama fungsi keanggotaan, dan harga v0yang menandai garis pembagi adalah harga V yang terdefuzzifikasi. Secara algoritmik dinyatakan :

 v (v)dv v

v0 

v

 v (v)dv v

4

…(2.5)

dan perairan Banjarmasin dengan koordinat 3.540425oS114.484300 oE.

sedangkan dalam semesta diskrit dapat dinyatakan : m

v0 

 v  (v ) k

k 1 m

v

k

…(2.6)

3.3 Fuzzy C-Means (FCM) Perancangan logika fuzzy untuk penelitian ini dimulai dari proses pengelompokan (cluster) yang menggunakan fuzzy C Means yang kemudian digunakan FIS editor untuk perancangannya. FCM Merupakan suatu teknik pengclusteran data dimana tiap-tiap data dalam suatu cluster ditentukan oleh derajat keanggotaannya. Pada gambar 3.2 merupakan distribusi ketinggian gelombang pada titik pengamatan Laut Jawa dengan menggunakan fuzzy clustering di matlab. Data terdistribusi pada pusat cluster Center =1.4299, dan mempunyai nilai Min = 1.29 dan Max= 1.58 dan standart deviasi = 0.553258117. Output dari FCM bukan merupakan fuzzy inference system namun merupakan deretan pusat cluster dan beberapa derajat keanggotaan untuk tiap-tiap data. Informasi ini dapat digunakan untuk membangun suatu fuzzy interference system. Pada perairan Banjarmasin terdapat nilai yang mempunyai nilai keanggotaan yang sama.

  (v ) k 1

v

k

2. Metode Titik Tengah Maksimum(Mean Of Maximum,MOM). Merupakan metode defuzzifikasi yang merepresentasikan nilai titik tengah dari keluaran yang fungsi anggotanya maximum. Fungsinya ditunjukkan sebagai: n z z0   i i 1 l

…(2.7)

dimana zi adalah nilai pendukung dengan fungsi keanggotaan bernilai maximum dan l adalah banyaknya nilai pendukung. 3. METODOLOGI PENELITIAN 3.1 Alur Penelitian Pada bab ini akan dibahas mengenai perancangan prediktor cuaca maritim dengan metode logika fuzzy untuk meningkatkan jangkauan peramalan, studi kasus : pelayaran Surabaya-Banjarmasin. Adapun alur penelitian yang digunakan sebagai dasar pelaksanaan penelitian adalah sebagai berikut: Mulai

Studi Literatur

Pengambilan Data

Gambar 3.2 Fuzzy C-Means ketinggian gelombang (m)

Pengolahan Data

Pemodelan Logika Fuzzy Menggunakan Matlab 7.8

3.4 Penentuan Fungsi Keanggotaan Fungsi keaanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 dan 1. Fungsi-fungsi keanggotaan variabel masukan dan keluaran didefinisikan melalui Membership Function Editor pada Matlab. Dengan Membership Function Editor kita dapat menampilkan dan mengedit semua fungsi keanggotaan dari variabel FIS masukan dan keluaran. Salah satu cara yang digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Terdapat beberapa jenis kurva pada matlab yaitu trimf, trapmf, gbellmf, gaussmf, gauss2mf, pimf, sigmf, smf, zmf,dsigmf serta psigmf . Pada penelitian ini digunakan pendekatan fungsi kurva gauss karena data cuaca bersifat kontinu. Dalam artian perubahan cuaca berkisar tiap satu tahun sesuai dengan perubahan musim. Kurva gauss menggunakan dua parameter yaitu (γ) untuk menunjukkan nilai domain pada pusat kurva dan (k) yang menunjukkan lebar kurva.

Validasi Model logika fuzzy menggunakan Matlab 7.8 Tidak

Apakah Perfomansi Logika Fuzzy Sesuai? Ya

Perancangan Software cuaca dengan Visual Basic 6.0 Tidak

Validasi Software cuaca dengan Visual Basic 6.0

Apakah Perfomansi dari Software Sesuai? Ya

Analisa dan Pemebuatan Laporan

Selesai

Gambar 3.1 Alur Penelitian 3.2 Pengambilan Data Lapangan Pengambilan data di lapangan merupakan data input output variabel cuaca yang dimiliki oleh BMKG Perak II Surabaya yang diukur per jam selama lima tahun yang dimulai dari tahun 2006 sampai 2010. Data unsur cuaca yang diambil merupakan data masukan berupa kecepatan angin (m/s) dan data keluaran yang berupa ketinggian gelombang (m) dan kecepatan arus (m/s). Pengambilan data dilakukan di tiga titik pengamatan yaitu wilayah pelayaran Surabaya-Banjarmasin pada perairan Surabaya dengan koordinat 6.874824oS-112.747800oE, Laut Jawa dengan koordinat 4,648136oS-113,908806oE

5

2010 sebanyak 6552 data. Pemodelan prediksi kecepatan arus dan ketinggian gelombang ini digunakan untuk memprediksi jalur pelayaran Surabaya-Banjarmasin. Pada gambar 4.1 merupakan GUI (graphical user interface) matlab untuk memprediksi kecepatan arus dan ketinggian gelombang.

Gambar 3.3 FIS editor prediksi kecepatan arus Banjarmasin 3.5 Penentuan Aturan (Rule Base) Data yang telah dikelompokkan berdasarkan fuzzy clustering kemudian dibuat aturan yang disebut aturan jika – maka (If – then) dengan contoh bentuk aturan untuk prediksi kecepatan arus dan ketinggian gelombang adalah seperti berikut:

Gambar 4.1 GUI Matlab prediktor cuaca maritim Prediksi kecepatan arus dan ketinggian gelombang dilakukan di tiga titik pengamatan yaitu wilayah pelayaran Surabaya-Banjarmasin pada perairan Surabaya dengan koordinat 6.874824oS-112.747800oE, Laut Jawa dengan koordinat 4,648136oS-113,908806oE dan perairan Banjarmasin dengan koordinat 3.540425oS-114.484300 oE. Sedangkan data hasil prediksi titik A,B, dan C diantara tiga titik pengamatan dilakukan dengan data hasil interpolasi Lagrange.

Cu(t+1)f : IF (U(t) is CA and Cu(t) is Cu1 and Cu(t-1) is Cu1 THEN Cu(t+1) = (fr(U(t), Cu(t),Cu(t-1)) H(t+1)f : IF (U(t) is CA and H(t) is CR and H(t-1) is CR THEN Cu(t+1) = (fr(U(t), H(t),H(t-1)) 3.6 Validasi Logika Fuzzy Setelah pemodelan menggunakan logika fuzzy didapatkan, langkah selanjutnya adalah validasi atau pengujian. Pengujian logika fuzzy ini menggunakan data terbaru yaitu data bulan Januari 2010 sampai September 2010 yang berjumlah 6552 data yang diambil per jam. Hasil prediksi akan dibadingkan dengan keadaan sebenarnya. Dengan demikian akan terlihat besar prosentase keakurasian logika yang telah dibuat.

4.2 Prediksi Kecepatan Arus Laut Pada tahap peramalan menggunakan logika fuzzy, berdasarkan jurnal oleh Georgios Sylaios, Frederic Bouchette, VassiliosA.Tsihrintzis, dan Clea Denamiel yang berjudul A fuzzy inference system for wind-wave modelling (2008) digunakan tiga masukan untuk satu keluaran yaitu peramalan kecepatan arus (Cu(t+1)) dengan masukan yaitu kecepatan angin aktual (U(t)), kecepatan arus aktual (Cu(t)), serta kecepatan arus sebelumnya (Cu(t-1)).

3.7 Simulasi dan Analisa Setelah pemodelan didapatkan dan telah diuji validitasnya, maka dibuatlah simulator yang berbentuk software menggunakan Visual Basic 6.0 yang terdiri atas informasi mengenai variabel-variabel yang mempengaruhi ketinggian gelombang dan kecepatan arus laut yaitu kecepatan angin, kecepatan arus laut aktual/sebelumnya, ketinggian gelombang aktual/sebelumnya. 4. ANALISA DATA DAN PEMBAHASAN Pada bab ini dibahas hasil prediksi kecepatan arus dan ketinggian gelombang dengan menggunakan logika fuzzy. Data yang digunakan dalam penelitian ini merupakan data masukan kecepatan angin, kecepatan arus dan ketinggian gelombang untuk memprediksi keluaran dari kecepatan arus dan ketinggian gelombang satu jam kedepan. Data yang diambil merupakan data input output variabel cuaca yang dimiliki oleh BMKG Perak II Surabaya yang diukur per jam selama lima tahun yang dimulai dari tahun 2006 sampai 2010 setiap hari per jam. Data tersebut dibagi menjadi dua yaitu data yang digunakan dalam proses pemodelan prediksi cuaca dari tahun 2006-2009 dan data validasi untuk mengetahui error dari hasil prediksi pada bulan Januari 2010-September

Gambar 4.2 Perbandingan Hasil Prediksi dan Aktual Data Kecepatan Arus Perairan Surabaya

6

Gambar 4.7 Perbandingan Hasil Prediksi dan Aktual Kecepatan Arus Titik C

Gambar 4.3 Perbandingan Hasil Prediksi dan Aktual Data Kecepatan Arus Laut Jawa

Gambar 4.4 Perbandingan Hasil Prediksi dan Aktual Kecepatan Arus Perairan Banjarmasin

Tabel 4.1 Validasi bedasarkan fungsi keanggotaan

No

Titik pengamatan

1 2

Perairan Surabaya Laut Jawa Perairan Banjarmasin Titik A Titik B Titik C

3 4 5 6.

6552 6552

Jumlah data yang memiliki kesamaan fungsi keanggotaan 5645 4462

6552 6552 6552 6552

5208 4597 2649 5464

Jumlah data validasi

Prosentase Keakuratan 86,1% 68.10% 79,48% 70,16% 40.43% 83.39%

4.3 Prediksi Ketinggian Gelombang Sama halnya pada kecepatan arus, setelah didapatkan model logika fuzzy dari ketinggian gelombang dari tiap titik pengamatan maka tahap selanjutnya validasi hasil prediksi. Data yang digunakan untuk validasi ketinggian gelombang laut pada bulan bulan Januari 2010 – September 2010 yang terdiri dari data per satu jam yang berjumlah 6552 data.Data tersebut didapatkan dari pengamatan BMKG Perak Surabaya yang merupakan data hasil penggunaan software WindWave. Data yang didapatkan dari BMKG akan dibandingkan dengan hasil prediksi dengan metode logika fuzzy. Berdasarkan jurnal oleh Georgios Sylaios, Frederic Bouchette, VassiliosA.Tsihrintzis, dan Clea Denamiel yang berjudul A fuzzy inference system for wind-wave modelling (2008) digunakan tiga masukan untuk satu keluaran berupa peramalan ketinggian gelombang satu jam kedepan (H(t+1)) dengan masukan kecepatan angin aktual (U(t)), ketinggian aktual (H(t)), serta ketinggian gelombang sebelumnya (H(t1)).

Gambar 4.5 Perbandingan Hasil Prediksi dan Aktual Kecepatan Arus Titik A

Gambar 4.6 Perbandingan Hasil Prediksi dan Aktual Kecepatan Arus Titik B

7

Gambar 4.12 Perbandingan Hasil dan Prediksi Ketinggian Gelombang Titik B

Gambar 4.8 Perbandingan Hasil dan Prediksi Ketinggian Gelombang Perairan Surabaya

Gambar 4.9 Perbandingan Hasil dan Prediksi Ketinggian Gelombang Perairan Laut Jawa

Gambar 4.10 Perbandingan Hasil dan Prediksi Ketinggian Gelombang Perairan Banjarmasin

Gambar 4.13 Perbandingan Hasil dan Prediksi Ketinggian Gelombang Perairan Titik C Tabel 4.2 Validasi bedasarkan fungsi keanggotaan Jumlah data No Titik pengamatan Jumlah yang Prosentase data memiliki Keakuratan validasi kesamaan fungsi [1] [2] [3] keanggotaan [5] [4] 1 Perairan Surabaya 6552 4902 74.82% 2 Laut Jawa 6552 5362 81.84% 3 Perairan Banjar 6552 6046 92.27% 4 5 6.

Titik A Titik B Titik C

6552 6552 6552

5037 5258 4946

76.88% 80.25% 75.48%

5.1 Kesimpulan Pada tugas akhir ini telah dilakukan pemodelan logika fuzzy tipe sugeno dan pengujian data serta validasi tentang prediksi kecepatan arus dan ketinggian gelombang menggunakan logika fuzy. Kesimpulan yang dapat diambil adalah sebagai berikut : 1. Telah dilakukan pemodelan logika fuzzy tipe sugeno untuk memprediksi kecepatan arus dan ketinggian gelombang. 2. Hasil validasi perancangan model cuaca maritim menggunakan metode Logika Fuzzy Sugeno pada kecepatan arus sebagai berikut :  Pada hasil pengujian kecepatan arus pada titik pengamatan di perairan Surabaya (6.874824oS112.747800oE ) didapatkan jumlah data yang

Gambar 4.11 Perbandingan Hasil dan Prediksi Ketinggian Gelombang Titik A

8

3.

memiliki kesamaan fungsi keanggotan sebanyak 5645 data dari jumlah data validasi sebanyak 6552 data dengan keakuratan sebesar 86,1 % dengan error rata-rata sebesar -0.19.  Pada hasil pengujian di Laut Jawa (4,648136oS 113,908806oE) didapatkan jumlah data yang memiliki kesamaan fungsi keanggotaan sebanyak 4462 data dari 6552 data validasi dengan 68.10% dengan eror rata-rata prediksi sebesar -1.41.  Data hasil pengamatan di 3.540425oS o 113.90880 E (Perairan Banjarmasin) didapatkan keakuratan 79.48% dengan kesamaan sebanyak 5208 data dari 6552 data validasi dengan error rata-rata prediksi sebesar -2.22.  Pada hasil pengujian pada titik A didapatkan jumlah data yang memiliki kesamaan fungsi keanggotan sebanyak 4597 data dari jumlah data validasi sebanyak 6552 data dengan keakuratan sebesar 70.16 % dan error rata-rata prediksi sebesar 0.83.  Pada hasil pengujian di titik B didapatkan jumlah data yang memiliki kesamaan fungsi keanggotaan sebanyak 2649 data dari 6552 data validasi dengan 40.43% dan error rata-rata prediksi sebesar 3.47.  Data hasil pengamatan di titik C didapatkan keakuratan 83.39% dengan kesamaan sebanyak 5464 data dari 6552 data validasi dan error prediksi sebesar -0.27. Hasil validasi perancangan model cuaca maritim menggunakan metode Logika Fuzzy Sugeno pada ketinggian gelombang sebagai berikut :  Pada hasil pengujian ketinggian gelombang pada titik pengamatan di perairan Surabaya (6.874824oS-112.747800oE ) didapatkan jumlah data yang memiliki kesamaan fungsi keanggotan sebanyak 4902 data dari jumlah data validasi sebanyak 6552 data dengan keakuratan 74.82 % dan error rata-rata sebesar 0.01.  Pada hasil pengujian di Laut Jawa (4,648136oS 113,908806oE) didapatkan jumlah data yang memiliki kesamaan fungsi keanggotaan sebanyak 5362 data dari 6552 data validasi dengan keakuratan 81.84% dan error rata-rata sebesar 0.004.  Data hasil pengamatan di 3.540425oS 113.90880oE (Perairan Banjarmasin) didapatkan keakuratan 92.27% dengan kesamaan sebanyak 6046 data dari 6552 data validasi dengan error rata-rata sebesar 0.003.  Pada hasil pengujian pada titik A didapatkan jumlah data yang memiliki kesamaan fungsi keanggotan sebanyak 5037 data dari jumlah data validasi sebanyak 6552 data dengan keakuratan sebesar 76.88 % dan rata-rata error sebesar -0.03.  Pada hasil pengujian di titik B didapatkan jumlah data yang memiliki kesamaan fungsi keanggotaan sebanyak 5258 data dari 6552 data validasi dengan 80.25% dan error rata-rata sebesar -0.03.

Data hasil pengamatan di titik C didapatkan keakuratan 75.48% dengan kesamaan sebanyak 4946 data dari 6552 data validasi dan error rata-rata sebesar 0.05. 5.2 Saran Saran yang perlu disampaikan untuk pengembangan penelitian ini adalah perlunya dilakukan perubahan parameter pada logika fuzzy untuk meningkatkan prosentase prediksi cuaca untuk kelayakan pelayaran. [1] [2] [2] [3] [4] [5]

[6]

[7]

[8] [9] [10]

DAFTAR PUSTAKA Tjasyono,Bayong. 1999. Klimatologi Umum. Bandung: Penerbit ITB MathWorks,Inc. 2002. Fuzzy Logic Toolbox User’s Guide. Natick: The MathWorks,Inc. Fossen,thor.I.1994.Guidance and Control of Ocean Vehicles. Chichester: John Wiley & Sons.Ltd Arifin, Syamsul. 2009. Sistem Logika Fuzzy sebagai Peramal Cuaca di Indonesia, studi kasus: Kota Surabaya Arifin, Syamsul. 2009. Design and Development of Weather Forcast Simulators for Surabaya City by Using Neural Network. Kresnawan, Andre. 2009. Tugas Akhir: Penerapan model Jaringan Syaraf Tiruan untuk Memprediksi Gangguan Cuaca maritim. Teknik Fisika-FTI-ITS Surabaya Candra, Ardian. 2010. Tugas Akhir: Perancangan Model Adaptive Nuro Fuzzy Inference System untuk Memprediksi Cuaca Maritim. Teknik Fisika-FTI-ITS Surabaya Meilanita, Prita. 2010. Prediksi Cuaca Menggunakan Logika Fuzzy untuk Kelayakan Pelayaran di Perlabuhan Tanjung Perak Surabaya. Teknik FisikaFTI-ITS Surabaya Georgios Sylaios, Frederic Bouchette, VassiliosA.Tsihrintzis, dan Clea Denamiel .2008. A fuzzy inference system for wind-wave modelling. Kusumadewi,Sri. 2002. Analisis dan Desain Sistem Fuzzy Menggunakan ToolBox Matlab. Yogyakarta: Graha Ilmu Kusumadewi,Sri. 2002. Aplikasi Logika Fuzzy. Yogyakarta: Graha Ilmu. BIODATA PENULIS Nama : Jabar Al Hakim TTL : Sumenep, 07 Mei 1988 Alamat : Jl. Mustika I/I Prenduan Sumenep Madura Email : [email protected]

Pendidikan :

SD N Pragaan Laok 1 SLTPN 2 Larangan SMAN 1 Pamekasan Teknik Fisika ITS

9

(1994 – 2000) (2000 – 2003) (2003 – 2006) (2006 – Sekarang)