FUZZY LOGIC CONTROL - DIGILIB ITS

PERANCANGAN SIMULATOR PERAMAL CUACA MARITIM UNTUK KELAYAKAN PELAYARAN STUDI KASUS: JALUR SURABAYA-BANJARMASIN (Faried Firdaus Ardino, Aulia Siti Aisjah, Syamsul Arifin) 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. Oleh karena itu di bidang pelayaran kebutuhan atas informasi cuaca sangatlah penting untuk menentukan kelayakan pelayaran. Pada penelitian ini digunakan metode logika fuzzy untuk peramalan cuaca untuk kelayakan pelayaran pada jalur pelayaran SurabayaBanjarmasin. Data yang digunakan adalah data yang diambil dari Badan Meteorologi Klimatologi dan Geofisika (BMKG) Perak II Surabaya dari tahun 2006 hingga 2010, data pada Januari 2010 hingga September 2010 digunakan untuk validasi sebanyak 6552 data. Pada logika fuzzy Sugeno ini keluaran prediksi cuaca berupa kecepatan arus, ketinggian gelombang dan kecepatan angin. Pada hasil pengujian kecepatan arus pada perairan Surabaya didapatkan jumlah data yang memiliki kesamaan fungsi keanggotan sebanyak 5735 data dengan keakuratan sebesar 87,53%, di Laut Jawa didapatkan jumlah data yang sama sebanyak 5589 data dengan keakuratan sebesar 85,30% dan pada Perairan Banjarmasin didapatkan keakuratan 87,32% dengan kesamaan sebanyak 5721 data . Pada hasil pengujian ketinggian gelombang pada Perairan Surabaya memiliki kesamaan keanggotaan sebanyak 5429 data dengan keakuratan sebesar 82,86 %, pada hasil pengujian di Laut Jawa memiliki sebanyak 5347 data yang sama dengan keakuratan sebesar 81.61% dan pada Perairan Banjarmasin didapatkan keakuratan 91,30% dengan kesamaan sebanyak 5982 data. Pada hasil pengujian kecepatan angin pada Perairan Surabaya sebanyak 5107 data memiliki keanggotaan yang sama dengan keakuratan sebesar 77,94%, pada hasil pengujian di Laut Jawa didapatkan jumlah data yang memiliki kesamaan fungsi keanggotaan sebanyak 5774 data dengan keakuratan sebesar 88,13% dan data hasil pengamatan di Perairan Banjarmasin didapatkan keakuratan 79.01% dengan kesamaan sebanyak 5117 data. Untuk kelayakan pelayaran kapal yang pengelompokannya didasarkan pada GT kapal didapatkan nilai rata-rata untuk prosentase data kelayakan pelayaran adalah sebesar 97,42% untuk Perairan Surabaya, 81,85% pada Perairan Laut Jawa dan 88,53% pada Perairan Banjarmasin Kata kunci : Fuzzy Sugeno, kecepatan arus laut, ketinggian gelombang laut, kecepatan angin, kelayakan pelayaran. 1. PENDAHULUAN 1.1 Latar Belakang Adanya pemanasan global akan memberi dampak negatif yang nyata bagi kehidupan ratusan jiwa warga di dunia ini. Meskipun pada Laporan PBB tahun 2007, untuk negara dekat kutub akan sedikit diuntungkan, tetapi hal ini cenderung menyebabkan banyak kejadian yang harus diantisipasi oleh beberapa ilmuwan di dunia ini. Salah satu dampak pemanasan global adalah meningkatnya suhu permukaan bumi sepanjang beberapa tahun mendatang, dampak kelanjutannya adalah kegagalan panen di beberapa negara [Laporan PBB, 2007]. Naiknya suhu udara memicu topan yang lebih dahsyat, terutama untuk kawasan Asia [Laporan UNEP PBB, 2007]. Sedangkan di berbagai wilayah di Indonesia memiliki variabilitas suhu yang tidak menentu sehingga berdampak pada kondisi cuaca yang berbeda – beda. Indonesia yang berada pada posisi di tengah dunia, terbentang dari 6o.08’ LU hingga 11o15’ LS dan dari 94o45’ BT hingga 141o05’ BT dikenal sebagai negara tropis. Selama ini iklim yang terjadi di Indonesia secara makro dapat dibedakan kedalam dua musin, yaitu kemarau dan penghujan. Tetapi dalam waktu akhir – akhir ini tidak dapat diprediksi saat kapan, kedua musim tersebut terjadi. Beberapa wilayah di Indonesia dengan suhu panas telah menimbulkan hujan di sejumlah wilayah di Kalimantan, Sumatera, Jawa dan Sulawesi [Laporan BMG, Mei 2007], dan ini belum menunjukkan pola secara regional bahwa

Indonesia berada pada musim tertentu. Badan Meteorologi dan Geofisika (BMG) sebagai salah satu badan yang memberikan informasi tentang peramalan cuaca untuk waktu – waktu mendatang berdasarkan data – data yang terekam sebelumnya. Keakurasian tentang hasil peramalan untuk kondisi saat ini sangat sulit diperoleh. Karena model matematis peramalan sulit untuk diperoleh. Selanjutnya pada penelitian ini digunakan metode logika fuzzy untuk memprediksi cuaca maritim dengan jalur pelayaran Surabaya-Banjarmasin dengan melakukan peningkatan pada jumlah variabel hasil prediksi dan jangkauan area peramalan yaitu variabel hasil ramalan adalah tinggi gelombang laut, kecepatan angin, kecepatan arus laut, dan badai, yang mana pada penelitian-penelitian sebelumnya hanya memprediksi variabel cuaca maritim berupa tinggi gelombang laut dan kecepatan arus laut. Data yang diambil merupakan hasil pengamatan dari BMKG. 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

1.2 Permasalahan

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.

Permasalahan pada penelitian ini adalah bagaimana merancang suatu simulator yang mampu memberikan informasi dan prediksi cuaca maritim dengan metode logika fuzzy untuk untuk kelayakan pelayaran studi kasus: jalur Surabaya – Banjarmasin.

2.2.2 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).

1.3 Tujuan Tujuan penelitian dalam Tugas Akhir ini menghasilkan suatu simulator yang mampu memberikan informasi dan prediksi cuaca maritim dengan metode logika fuzzy untuk untuk kelayakan pelayaran studi kasus: jalur Surabaya – Banjarmasin. 1.4 Batasan Masalah Untuk menghindari meluasnya permasalahan dalam pengerjaan penelitian tugas akhir ini, maka digunakan suatu pendekatan sebagai berikut : 1. Variabel cuaca yang digunakan dalam pemodelan ini yaitu kecepatan angin (m/s), ketinggian gelombang laut (m), arus laut (m/s) dan curah hujan (mm/hari). 2. Cuaca maritim yang diprediksi adalah ketinggian gelombang laut, kecepatan arus laut, kecepatan angin, hujan dan badai. 3. Kelayakan pelayaran terhadap kapal didasarkan pada aturan dari Kesyahbandaran. 4. Model sistem peramalan bedasarkan logika fuzzy. 5. Perancangan disimulasikan dengan matlab versi 7.8

2.2 Unsur-Unsur Cuaca dan Iklim Unsur-unsur cuaca/iklim terdiri dari suhu udara, angin, tekanan udara, curah hujan dan kelembapan udara. di atas 100 mm per hari.

2.2.3 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 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.

2.2.1 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

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. 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

2.3.1 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 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 : Dan

4.

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 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.

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

jika kontinu maka didefinisikan :

himpunan

fuzzy

dapat

A    A (u ) / x x

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:

Tanda “ / “ bukanlah tanda pembagian tetapi digunakan untuk menghubungkan sebuah elemen dengan derajat keanggotaannya.

2.3.2 Struktur dasar logika Fuzzy Pada dasarnya struktur logika digambarkan seperti berikut :

fuzzy

dapat

Basis Pengetahuan output

input Fuzzifikasi

Fuzzy

1 0

Defuzzifikasi Logika Pengambilan Keputusan

mengambil keputusan. Aksi atur fuzzy disimpulkan dengan menggunakan implikasi fuzzy dan mekanisme inferensi fuzzy. Defuzzifikasi Berfungsi untuk mentransformasikan kesimpulan tentang aksi atur yang bersifat fuzzy menjadi sinyal sebenarnya yang bersifat crisp dengan menggunakan operator defuzzifikasi.

 A ( x)  

2.

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

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 :

 ( x'  x) T ( x'  x)   2  

 A ( x)  exp  

…(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 nilainilai masukan tersebut menjadi informasi fuzzy yang berguna nantinya untuk proses pengolahan secara fuzzy pula. Banyaknya jumlah fungsi

3

2.

2.3.8 Defuzzifikasi Defuzzifikasi merupakan proses merubah output fuzzy dari FIS (fuzzy inference system) menjadi output crips. Bentuk umum proses defuzzyfikasi diyatakan dengan: 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. 2. Metode Titik Tengah Maksimum(Mean Of Maximum,MOM). Merupakan metode defuzzifikasi yang merepresentasikan nilai titik tengah dari keluaran yang fungsi anggotanya maximum.

keanggotaan dalam fuzzy set menentukan banyaknya aturan yang harus dibuat. 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 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.

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 Validasi Parameter Logika Fuzzy Tinjauan Pustaka Pembuatan Model Simulator untuk Kelayakan Pelayaran Pengumpulan Data serta Pengamatan

Merancang Software Prediksi Cuaca

Tidak

Kesesuaian Kepakaran

Ya Pengujian Software Analisa Hasil dan Pembuatan Laporan

Tidak Ketepatan Prediksi

Selesai Ya

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.

Analisa Hasil

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 dan perairan Banjarmasin dengan koordinat 3.540425oS-114.484300 oE.

4

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 =1.76, dan mempunyai nilai Min = 1.56 dan Max= 1.96 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.

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. 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 aktual/sebelumnya, kecepatan arus laut aktual / sebelumnya, ketinggian gelombang aktual / sebelumnya.

Fuzzy Clustering Ketinggian Gelombang (m) 2 1.95

Ketinggian Gelombang (m)

1.9 1.85 1.8 1.75 1.7 1.65 1.6 1.55

0

500

1000

1500

2000 2500 Banyak Data

3000

3500

4000

Gambar 3.2 Fuzzy C-Means ketinggian gelombang (m)

Gambar 3.3 Prediktor cuaca maritim dengan Visual Basic

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. 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: 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

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 2010 sebanyak 6552 data. Pemodelan prediksi kecepatan arus dan ketinggian gelombang ini digunakan untuk memprediksi jalur pelayaran Surabaya-Banjarmasin. 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)).

5

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)).

Validasi data bulan Januari 2010-September 2010 25 Predik si Validasi

Kecepatan Arus (cm/s)

20

15

10

5

0

0

1000

2000


5000

6000

7000

Gambar 4.1 Perbandingan Hasil Prediksi dan Aktual Data Kecepatan Arus Perairan Surabaya Validasi data bulan Januari 2010-September 2010 90 Predik si Validasi

80

Validasi data bulan Januari 2010-September 2010 0.7 Predik si Validasi

70 60 Ketinggian Gelombang (m)


0.6

50 40 30 20

0.5

0.4

0.3

0.2

10 0

0.1

0

1000

2000


5000

6000

7000 0

Gambar 4.2 Perbandingan Hasil Prediksi dan Aktual Data Kecepatan Arus Laut Jawa Predik si Validasi

Ketinggian Gelombang (m)


50 40 30

3

6000

7000

Predik si Validasi

2.5

2

1.5

1

0.5 0

1000

2000


5000

6000

7000

0 0

Gambar 4.3 Perbandingan Hasil Prediksi dan Aktual Kecepatan Arus Perairan Banjarmasin Tabel 4.1 Validasi bedasarkan fungsi keanggotaan Titik pengamatan Perairan Surabaya Laut Jawa Perairan Banjarmasin

Jumlah data yang memiliki kesamaan fungsi keanggotaan

Prosentase Keakuratan

6552

5735

87,53%

6552

5589

85,30%

6552

5721

87,32%

Jumlah data validasi

1000

2000


5000

6000

7000

Gambar 4.5 Perbandingan Hasil dan Prediksi Ketinggian Gelombang Perairan Laut Jawa Validasi data bulan Januari 2010-September 2010 1.8 Predik si Validasi

1.6 1.4 Ketinggian Gelombang (m)

2

5000

3

10

1


Validasi data bulan Januari 2010-September 2010

20

No

2000

3.5

60

0

1000

Gambar 4.4 Perbandingan Hasil dan Prediksi Ketinggian Gelombang Perairan Surabaya

Validasi data bulan Januari 2010-September 2010 80 70

0

1.2 1 0.8 0.6 0.4 0.2

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

0

0

1000

2000


5000

6000

7000

Gambar 4.6 Perbandingan Hasil dan Prediksi Ketinggian Gelombang Perairan Banjarmasin

6

Tabel 4.2 Validasi bedasarkan fungsi keanggotaan

1 2 3

Perairan Surabaya Laut Jawa Perairan Banjarmasin


5429 5347

82,86% 81,61%

6552 6552

Predik si Validasi 10

Kecepatan Angin (knot)

No


Titik pengamatan


Validasi data bulan Januari 2010-September 2010 12

8

6

4

2

6552

5982

91,30% 0

4.4 Prediksi Kecepatan Angin Pada prediksi kecepatan angin ini pada dasarnya sama halnya pada prediksi kecepatan arus dan kecepatan gelombang. Setelah didapatkan model logika fuzzy dari kecepatan arus 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 setiap harinya yang berjumlah 6552 data. Data yang didapatkan dari BMKG yang akan dibandingkan dengan hasil prediksi dengan metode logika fuzzy. Dalam pemodelan prediksi kecepatan angin ini digunakan dua masukan untuk satu keluaran berupa peramalan kecepatan angin satu jam kedepan dengan masukan kecepatan angin aktual, dan kecepatan angin sebelumnya. Berikut ini gambar grafik hasil validasi kecepatan angin

0

1000

2000

3000 4000 Data ke-

5000

6000

7000

Gambar 4.9 Perbandingan hasil prediksi dan aktual kecepatan angin pada Perairan Banjarmasin Tabel 4.3 Validasi Kecepatan Angin Bedasarkan Fungsi Keanggotaan

No

1 2 3

Titik pengamatan Perairan Surabaya Laut Jawa Perairan Banjarmasin




6552

5107

77,94%

6552

5774

88,13%

6552

5117

79,01%

Validasi data bulan Januari 2011-Maret 2011

4.5 Kelayakan Pelayaran Aturan mengenai kelayakan pelayaran diatur di dalam UU Pelayaran no 17 tahun 2008. Di dalam 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 saat ini,aturan-aturan khusus mengenai keadaan cuaca untuk pelayaran tidak tertulis secara khusus di dalam suatu aturan, walau hal tersebut sangat penting. Namun, untuk keselamatan pelayaran sendiri, dinas perhubungan memiliki suatu badan yang dinamakan Kesyahbandaran yang bertugas untuk menjalankan dan melakukan pengawasan terhadap dipenuhinya ketentuan peraturan perundang-undangan untuk menjamin keselamatan dan keamanan pelayaran (UU No.17 th 2008). Kesyahbandaranlah yang memberikan perijinan berlayar untuk kapal-kapal yang berlabuh dan bersandar. Sedangkan mengenai kelayakan pelayaran sendiri dapat dilihat dari dua faktor, yaitu faktor dalam dan faktor luar. Faktor dalam berasal dari badan kapal itu sendiri. Baik itu berupa kesiapan dari awak kapal, meneliti muatan kapal, dokumen dan sertifikat kapal. Bila semua hal di atas sudah terpenuhi maka kelayakan dari faktor dalam dinyatakan sudah memenuhi persyaratan. Sedangkan faktor yang kedua adalah faktor luar yaittu faktor cuaca untuk kelayakan pelayaran pada penelitian ini didasarkan dari pengalaman pakar saja yaitu orang yang berwenang di bidang Kesyahbandaran. Dari analisa kepakaran yang didapatkan dari hasil wawancara dengan Bambang Supriyanto dari Kesyahbandaran bagian Kelaikan Pelayaran, Pelabuhan Tanjung Perak Surabaya, didapatkan kondisi laut yang

30 Predik si Validasi


25

20

15

10

5

0

0

1000

2000

3000 4000 Data ke-

5000

6000

7000

Gambar 4.7 Perbandingan hasil prediksi dan aktual kecepatan angin pada Perairan Surabaya Validasi data bulan Januari 2010-September 2010 16 Predik si Validasi

14


12

10

8

6

4

2

0

0

1000

2000

3000 4000 Data ke-

5000

6000

7000

Gambar 4.8 Perbandingan hasil prediksi dan aktual kecepatan angin pada Laut Jawa

7

Pada peramalan untuk kecepatan arus dengan menggunakan logika fuzzy tipe Takagi-Sugeno, nilai yang didapatkan dari hasil pemodelan menggunakan logika fuzzy kemudian di bahasakan sesuai dengan fungsi keanggotaan yang telah ditentukan sebelumnya. Data sebenarnya dengan data hasil peramalan mengenai ketinggian gelombang kemudian dibandingkan dan dibuat presentase keakuratannya. Data yang digunakan untuk pengecekan adalah data per jam selama bulan Januari 2010 sampai dengan September 2010. Adapun prosentase keakuratan untuk kecepatan arus untuk prediksi 1 jam ke depan adalah sebagai berikut. Dari jumlah data yang divalidasi sebanyak 6552 data, pada perairan surabaya, besar prosentase keakuratan adalah sebesar 87,53% dengan jumlah data sama sebanyak 5735. Pada perairan Laut Jawa prosentase keakuratan adalah sebesar 85,30% dengan jumlah data sama sebanyak 5589 dari 6552 data dan untuk Perairan Banjarmasin prosentase keakuratannya adalah sebesar 87,32% dengan jumlah data sama sebanyak 5721 dari 6552 data. Pada peramalan ketinggian gelombang yang menggunakan data per jam selama 24 jam setiap harinya yang divalidasi dengan membandingkan dengan nilai sebenarnya atau nilai aktualnya pada bulan Januari 2010 sampai dengan September 2010. 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 prosentase ketinggian gelombang didapatkan nilai prosentase keakuratan menggunakan logika fuzzy tipe Takagi-Sugeno untuk ketinggian gelombang dengan prediksi 1 jam ke depan adalah sebagai berikut. Dari jumlah data yang divalidasi sebanyak 6552 data, pada Perairan Surabaya, besar prosentase keakuratan adalah sebesar 82,86% dengan jumlah data sama sebanyak 5429. Pada perairan Laut Jawa prosentase keakuratan adalah sebesar 81,61% dengan jumlah data sama sebanyak 5347 dari 6552 dat dan untuk Perairan Banjarmasin prosentase keakuratannya adalah sebesar 91,30% dengan jumlah data sama sebanyak 5982 dari 6552 data. Untuk peramalan kecepatan angin yang menggunakan data per jam selama 24 jam setiap harinya yang divalidasi dengan membandingkan dengan nilai sebenarnya atau nilai aktualnya pada bulan Januari 2010 sampai dengan September 2010. Dengan menggunakan cara yang sama dengan penentuan prosentase kecepatan arus dan ketinggian gelombang didapatkan nilai prosentase keakuratan menggunakan logika fuzzy tipe Takagi-Sugeno untuk kecepatan arus dengan prediksi 1 jam ke depan adalah sebagai berikut. Dari jumlah data yang divalidasi sebanyak 6552 data, pada Perairan Surabaya, besar prosentase keakuratan adalah sebesar 77,94% dengan jumlah data sama sebanyak 5107. Pada perairan Laut Jawa prosentase keakuratan adalah sebesar 88,13% dengan jumlah data sama sebanyak 5774 dari 6552 data dan untuk Perairan Banjarmasin prosentase keakuratannya adalah sebesar 79,01% dengan jumlah data sama sebanyak 5117 dari 6552 data.

paling berpengaruh dalam dinamika kapal adalah kecepatan angin, ketinggian gelombang, jarak pandang dan kecepatan arus laut. Namun dari berbagai faktor cuaca tersebut faktor paling dominan yang menentukan layak tidaknya kapal berlayar adalah ketinggian gelombang laut yang untuk selanjutnya dapat dilihat berdasarkan berat atau tonase dari kapal yang akan berlabuh. Tabel 4.4 Kriteria kelayakan pelayaran No.

GT Kapal

Ketinggian Gelombang Maksimal

1 2 3 4 5 6

Semua >7 >175 >500 >5.000 >10.000

0,5 m 1m 1,5 m 3m 4m 5m

Tabel 4.5 Hasil Kelayakan Pelayaran di Perairan Surabaya

Waktu Prediksi

GT Kapal

Jumalah Kesamaan Kelayakan

Akura si (%)

[2] Semua GT GT >7 GT >175 GT >500 GT>5000 GT>10000 Semua GT GT >7 GT >175 GT >500 GT>5000 GT>10000

Jumlah Waktu Layak Berlayar Data Data BMKG Pemodelan [3] [4] 6518 6515 34 37 0 0 0 0 0 0 0 0 6334 6512 34 40 0 0 0 0 0 0 0 0

[1] 1 jam

[5] 6549

[6] 99,95

6350

96,92

10 jam

Semua GT GT >7 GT >175 GT >500 GT>5000 GT>10000

6334 34 0 0 0 0

6513 39 0 0 0 0

6339

96,75

24 jam

Semua GT GT >7 GT >175 GT >500 GT>5000 GT>10000

6334 34 0 0 0 0

6501 51 0 0 0 0

6293

96,05

5 jam

Prosentase rata-rata = 97,42%

4.6 Pembahasan Variabel kelayakan pelayaran yang digunakan dalam penelitian ini meliputi kondisi aktual kecepatan angin (knot), kecepatan arus (cm/s) dan ketinggian gelombang (m). Data yang digunakan untuk proses pemodelan menggunakan data selama 5 tahun dimulai dari tahun 2006 hingga tahun 2010 di tiga titik pengamatan pada wilayah pelayaran Surabaya-Banjarmasin yaitu pada perairan Surabaya dengan koordinat 6.874824oS112.747800oE, Laut Jawa dengan koordinat 4,648136oS113,908806oE dan pada perairan Banjarmasin dengan koordinat 3.540425oS-114.484300 oE. Data yang digunakan berupa data per jam yang didapatkan dari BMKG.

8

Untuk pengujian kelayakan pelayaran pada Perairan Surabaya didapatkan nilai untuk prosentase ratarata data kelayakan pelayaran adalah sebesar 97,42% untuk keluaran logika fuzzy menggunakan tipe TakagiSugeno dan sebesar 81,85% untuk Laut Jawa serta sebesar 88,53% untuk Perairan Banjarmasin.

 Untuk kelayakan pelayaran kapal yang pengelompokannya didasarkan pada GT kapal didapatkan nilai rata-rata untuk prosentase data kelayakan pelayaran adalah sebesar 97,42% untuk Perairan Surabaya, 81,85% pada Perairan Laut Jawa dan 88,53% pada Perairan Banjarmasin  Penggunaan software prediksi menggunakan Visual Basic 6.0 menghasilkan prosentase ketepatan rata-rata untuk prosentase data kelayakan pelayaran adalah sebesar 96,7% untuk Perairan Surabaya, 83,15% pada Perairan Laut Jawa dan 88,14% pada Perairan Banjarmasin

5 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 :  Telah dilakukan pemodelan logika fuzzy tipe sugeno untuk memprediksi kecepatan arus, ketinggian gelombang dan kecepatan angin untuk menentukan kelayakan pelayaran pada jalur Surabaya-Banjarmasin.  Hasil validasi perancangan model cuaca maritim menggunakan metode Logika Fuzzy Sugeno sebagai berikut:  Pada hasil pengujian kecepatan arus pada titik pengamatan di perairan Surabaya (6.874824oS112.747800oE ) didapatkan jumlah data yang memiliki kesamaan fungsi keanggotan sebanyak 5735 data dari jumlah data validasi sebanyak 6552 data dengan keakuratan sebesar 87,53%. Pada hasil pengujian di Laut Jawa (4,648136oS - 113,908806oE) didapatkan jumlah data yang memiliki kesamaan fungsi keanggotaan sebanyak 5589 data dari 6552 data validasi dengan 85,30%. Data hasil pengamatan di Perairan Banjarmasin (3.540425oS - 113.90880oE) didapatkan keakuratan 87,32% dengan kesamaan sebanyak 5721 data dari 6552 data validasi.  Pada hasil pengujian ketinggian gelombang pada titik pengamatan di perairan Surabaya (6.874824oS112.747800oE ) didapatkan jumlah data yang memiliki kesamaan fungsi keanggotan sebanyak 54,29 data dari jumlah data validasi sebanyak 6552 data dengan keakuratan sebesar 82,86 %. Pada hasil pengujian di Laut Jawa (4,648136oS - 113,908806oE) didapatkan jumlah data yang memiliki kesamaan fungsi keanggotaan sebanyak 5347 data dari 6552 data validasi dengan keakuratan sebesar 81.61%. Data hasil pengamatan di Perairan Banjarmasin (3.540425oS - 113.90880oE) didapatkan keakuratan 91,30% dengan kesamaan sebanyak 5982 data dari 6552 data validasi.  Pada hasil pengujian kecepatan angin pada titik pengamatan di perairan Surabaya (6.874824oS112.747800oE ) didapatkan jumlah data yang memiliki kesamaan fungsi keanggotan sebanyak 5107 data dari jumlah data validasi sebanyak 6552 data dengan keakuratan sebesar 77,94%. Pada hasil pengujian di Laut Jawa (4,648136oS-113,908806oE) didapatkan jumlah data yang memiliki kesamaan fungsi keanggotaan sebanyak 5774 data dari 6552 data validasi dengan keakuratan sebesar 88,13%. Data hasil pengamatan di Perairan Banjarmasin (3.540425oS - 113.90880oE) didapatkan keakuratan 79.01% dengan kesamaan sebanyak 5117 data dari 6552 data validasi.

[1]

[2] [3] [4] [5] [6] [7]

[8] [9]

[10]

[11]

[12] [13]

9

DAFTAR PUSTAKA Al Hakim, Jabar. 2010. Tugas Akhir: Perancangan Prediktor Cuaca Maritim untuk Meningkatkan Jangkauan Ramalan Studi Kasus: Jalur SurabayaBanjarmasin. Teknik Fisika FTI-ITS Surabaya. Arifin, Syamsul. 2009. Sistem Logika Fuzzy sebagai Peramal Cuaca di Indonesia, studi kasus: Kota Surabaya Fossen,thor.I.1994.Guidance and Control of Ocean Vehicles. Chichester: John Wiley & Sons.Ltd 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. Jaya, Riki Sampurna. 2010. Tugas Akhir: Perancangan Prediktor Cuaca Maritim Berbasis ANFIS untuk Meningkatkan Jangkauan Ramalan Studi Kasus: Jalur Surabaya-Banjarmasin. Teknik Fisika FTI-ITS Surabaya. MathWorks,Inc. 2002. Fuzzy Logic Toolbox User’s Guide. Natick: The MathWorks,Inc. Meilanita, Prita. 2010. Prediksi Cuaca Menggunakan Logika Fuzzy untuk Kelayakan Pelayaran di Perlabuhan Tanjung Perak Surabaya. Teknik FisikaFTI-ITS Surabaya Sarjani. 2009. Cuaca dan Iklim. [pdf] http://elcom.umy.ac.id/elschool/muallimin_muhamm adiyah/file.php/1/materi/Geografi/CUACA%20DAN %20IKLIM.pdf , (diakses Februari 2010). Suhendar. Soleh 2008. Laut dan Pesisir. [Pdf]. http://elcom.umy.ac.id/elschool/muallimin_muhamm adiyah/file.php/1/materi/Geografi/LAUT%20DAN% 20PESISIR.pdf Tjasyono, Bayong. 1999. Klimatologi Umum. Bandung: Penerbit ITB Yorinda, Ilham Achmadi. 2010. Tugas Akhir: Perancangan Sistem Prediksi Cuaca Berbasis Logika Fuzzy untuk Kebutuhan Penerbangan di Bandara Juanda – Surabaya. Teknik Fisika FTI-ITS Surabaya

BIODATA PENULIS Nama : Faried Firdaus Ardino TTL : Pati, 25 Maret 1989 Alamat : Jl. SMEAN 3 No.4 Keputih Tegal, Sukolilo, Surabaya Email : [email protected]

Pendidikan :

SDN 4 Dasan Agung Mataram SLTPN 2 Surakarta SMAN 1 Surakarta Teknik Fisika ITS

10

FUZZY LOGIC CONTROL - DIGILIB ITS

Recommend Documents