PREDIKSI CUACA BERBASIS LOGIKA FUZZY UNTUK

PREDIKSI CUACA BERBASIS LOGIKA FUZZY UNTUK REKOMENDASI
PENERBANGAN DI BANDAR UDARA RAJA HAJI FISABILILLAH
(Nur Endah Sari, Dr. Edi Sukirman, S.Si., MM.)
Fakultas Teknologi Industri - Jurusan Teknik Informatika
Universitas Gunadarma
Abstrak
Kebutuhan atas informasi cuaca sangatlah penting untuk memberikan rekomendasi
kelayakan penerbangan. Pada penulisan ini digunakan metode logika fuzzy untuk prediksi
cuaca dengan model prediksi Takagi-Sugeno. Perancangan model prediksi logika fuzzy
dilakukan dengan tujuan untuk kebutuhan penerbangan. Data yang digunakan adalah data
yang diambil dari Stasiun Meteorologi kelas III Tanjungpinang pada range waktu 1 tahun
dari Maret 2010 hingga februari 2011. Data tersebut yang digunakan sebagai masukan dari
logika fuzzy. Rekomendasi kelayakan penerbangan dipengaruhi oleh jarak pandang dan
angin buritan. Kedua parameter ini dipengaruhi oleh hujan dan kecepatan angin. Untuk
model prediksi hujan dengan 3 masukan yaitu suhu udara, kecepatan angin dan kelembaban
udara, dengan keluaran berupa curah hujan. Untuk prediksi angin menggunakan 2 masukan
yaitu suhu udara dan tekanan udara dengan keluaran berupa kecepatan angin. Untuk nilai
keakuratan prediksi hujan adalah 61.73%, kecepatan angin 50.5%, jarak pandang 87.5%,
angin buritan 88.6%, rekomendasi penerbangan berdasarkan jarak pandang 96.2%,
rekomendasi penerbangan berdasarkan angin buritan 88.6%.
Kata Kunci : Prediksi Cuaca, Fuzzy Takagi-Sugeno, Rekomendasi Penerbangan
I PENDAHULUAN
Pada
awal
perkembangannya,
komputer hanya digunakan sebagai alat
bantu perhitungan. Namun seiring dengan
perkembangan ilmu pengetahuan dan
teknologi saat ini, komputer kini memiliki
fungsi yang beragam, baik sebagai alat bantu
perhitungan matematis, simulasi, pemodelan
grafis, juga sebagai alat bantu untuk
melakukan prediksi berdasarkan data yang
termasuk di dalamnya yaitu melakukan
prediksi cuaca.
Cuaca adalah kondisi udara di suatu
tempat pada saat yang relatif singkat yang
meliputi kondisi suhu, kelembaban, serta
tekanan udara sebagai komponen utamanya.
Factor cuaca menjadi hal yang sulit untuk
diprediksi pada penerbangan, oleh karena itu
peramalan cuaca akhir-akhir ini menjadi
topik yang sangat menarik untuk dibahas,
karena akan sangat membantu dalam
penerbangan. Hal ini
membuat banyak
peneliti tertarik untuk mencari metode lain
untuk memprediksi cuaca.
Badan Meteorologi, Klimatologi dan
Geofisika (BMKG) yang bertugas sebagai
pengamat cuaca selama ini mampu
memprediksi
cuaca
melalui
metode
konvensional baik dengan metode statistik
maupun dinamik secara matematis. Selain
metode matematis, yang saat ini sedang
berkembang adalah metode berbasis
kepakaran. Metode berbasis kepakaran yang
dapat digunakan untuk menganalisa data
atmosfer selain jaringan syaraf tiruan dan
kemudian digunakan untuk memprediksinya
dikenal dengan istilah logika fuzzy.
Peramalan dengan metode logika
fuzzy didasarkan dari data – data
meteorologi yang diperoleh dari Stasiun
Meteorologi Kelas III Tanjungpinang dengan
koordinat pengambilan data adalah 00º 92’
LU dan 104º 53’ BT. Dengan metode
tersebut diharapkan hasilnya dapat berguna
untuk membantu menentukan kelayakan
penerbangan di Bandar udara Raja Haji
Fisabilillah Tanjungpinang.
II LANDASAN TEORI
2.1 Cuaca Dan Iklim
Cuaca adalah keadaan udara pada
saat tertentu dan di wilayah tertentu yang
relatif sempit pada jangka waktu yang
singkat. Cuaca terbentuk dari gabungan
unsure cuaca dan jangka waktu cuaca bisa
hanya beberapa jam saja. Misalnya pagi hari,
siang hari, sore hari atau malam hari dan
keadaannya bisa berbeda-beda untuk setiap
tempat serta setiap jamnya. Di Indonesia
keadaan cuaca selalu diumumkan untuk
jangka waktu sekitar 24 jam melalui prediksi
cuaca yang dikembangkan oleh Badan
Meteorologi Klimatologi dan Geofisika
(BMKG), Departemen Perhubungan.
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.
2.2 Informasi Cuaca untuk Penerbangan
Cuaca penerbangan adalah cuaca
yang diperuntukkan khusus untuk dunia
penerbangan, baik untuk saat lepas landas,
mendarat maupun selama penerbangan.
Informasi cuaca ini diberikan setiap waktu
pada saat pesawat akan merencanakan
penerbangan yang disesuaikan dengan
jadwal penerbangan. Informasi cuaca pada
saat lepas landas, selama perjalanan dan
mendarat meliputi beberapa unsure cuaca,
yaitu angin, jarak pandang, tekanan udara,
dan suhu.
2.3 Instrument Landing System (ILS)
ILS adalah sebuah alat bantu
pendaratan yang bekerja untuk memberikan
panduan secara akurat pada garis tengah
landas pacu, sudut pendaratan dan
memberikan
informasi
jarak
kepada
penerbang untuk melakukan pendaratan
dalam segala cuaca. Instrument Landing
System,
dalam
kerjanya
merupakan
gabungan dari beberapa peralatan pemancar
gelombang radio yang membentuk satu
konfigurasi sistem dengan fungsi dan
kegunaan yang berbeda. Peralatan ILS terdiri
dari: Localizer, Glide Path, Inner Marker,
Middle Marker, dan Out Marker.
Dalam pemanfaatan peralatan ILS
pada dunia penerbangan secara umum,
terbagi menjadi 3 (tiga) kategori dimana tiap
kategori menentukan kemampuan ILS dalam
menunutun atau memberikan panduan pada
pesawat terbang saat melakukan pendekatan
terhadap landasan pacu (runway) dan
pendaratan.
2.4 Prediksi Cuaca
Prediksi cuaca merupakan rangkuman
informasi kondisi cuaca harian hingga
mingguan, sedangkan prediksi iklim
umumnya merupakan unsur – unsur iklim
yang umumnya untuk wilayah Indonesia
adalah prediksi hujan bulanan atau prediksi
hujan yang berlangsung dalam satu musim.
Dengan demikian jenis prediksi cuaca dan
iklim dibedakan dalam kurun waktu dan
jenis unsur yang diprakirakan, dimana
prediksi cuaca lebih banyak menyebutkan
hampir semua unsur cuaca dan prediksi iklim
umumnya berkisar pada kuantitas curah
hujan dan awal musim.
Prediksi cuaca dan iklim merupakan
bagian dari sistem informasi yang digunakan
untuk melihat kondisi alam untuk waktu
mendatang (harian hingga mingguan disebut
prediksi cuaca, bulanan/musiman/tahunan
disebut prediksi bulanan/musiman/tahunan)
yang merupakan hasil analisis dan
pengolahan data baik dari data yang lalu
yang umumnya disebut data iklim maupun
data yang terakhir. Suatu sistem prediksi
cuaca dan iklim menjadi suatu rentetan hasil
pengamatan cuaca yang terus – menerus,
selanjutnya pengumpulan data untuk di olah
dengan menggunakan persamaan matematika
dan hasil olahan terakhir berupa angka yang
menunjukkan unsure cuaca atau iklim
tertentu (hujan, angin, suhu, kelembapan,
dsb).
Pada hakekatnya, sistem informasi
cuaca atau iklim merupakan cara yang
dilakukan untuk mengoptimalkan usaha
pemantauan, pengumpulan, analisis data,
hingga menjadi bentuk evaluasi atau prediksi
cuaca dan iklim sedemikian hingga
merupakan suatu usaha manusia untuk
melihat perkembangan kondisi udara yang
lalu, sekarang, dan yang akan dating
khususnya dalam kaitan mengantisipasi
kondisi ekstrem yang umumnya merugikan
harta benda dan jiwa manusia.
2.5 Konsep Logika Fuzzy
Pada dasarnya, teori himpunan fuzzy
merupakan perluasan dari teori himpunan
klasik. Teori himpunan fuzzy pertama kali
diperkerkenalkan oleh Lotfi A. Zadeh pada
tahun 1995. Pada teori himpunan klasik
(crisp), keberadaan suatu elemen pada
himpunan A hanya akan memiliki dua
kemungkinan keanggotaan, yaitu menjadi
anggota A atau tidak menjadi anggota A
(Chak, 1998).
Suatu nilai yang menunjukkan
seberapa besar tingkat keanggotaan suatu
elemen (x) dalam suatu himpunan A, sering
dikenal dengan nama nilai keanggotaan,
dinotasikan dengan µA(x). Dalam himpunan
klasik, hanya ada dua derajat keanggotaan,
yaitu µA(x)=0 dan µA(x)=1. Sedangkan
dalam himpunan fuzzy, fungsi karakteristik
µA= µA(x) dimungkinkan mempunyai derajat
keanggotaan keanggotaan antara 0 dan 1.
Contoh:
Variabel temperatur, terbagi menjadi 5
himpunan fuzzy, yaitu:
DINGIN, SEJUK, NORMAL, HANGAT,
dan PANAS. (Gambar 7.4)
gambar 2. 1 Himpunan fuzzy pada variabel
temperatur.
2.5.1 Alasan Digunakannya Logika Fuzzy
Ada beberapa alasan mengapa orang
menggunakan logika fuzzy, antara lain:
1. Konsep logika fuzzy mudah dimengerti.
Konsep matematis yang mendasari
penalaran fuzzy sangat sederhana dan
mudah dimengerti.
2. Logika fuzzy sangat fleksibel.
3. Logika fuzzy memiliki toleransi terhadap
data-data yang tidak tepat.
4. Logika fuzzy mampu memodelkan
fungsi-fungsi nonlinear yang sangat
kompleks.
5. Logika fuzzy dapat membangun dan
mengaplikasikan
pengalamanpengalaman para pakar secara langsung
tanpa harus melalui proses pelatihan.
6. Logika fuzzy dapat bekerjasama dengan
teknik-teknik
kendali
secara
konvensional.
7. Logika fuzzy didasarkan pada bahasa
alami.
2.5.2 Struktur Dasar Logika Fuzzy
gambar 2. 2 Blok Diagram Logika Fuzzy
Berdasarkan gambar 2.2, dalam
system logika fuzzy terdapat beberapa
tahapan operasional yang meliputi:
1. Fuzzifikasi
Fuzzifikasi adalah suatu proses
pengubahan nilai tegas yang ada ke
dalam fungsi keanggotaan.
2. Penalaran (Inference Machine)
Mesin penalaran adalah proses
implikasi dalam menalar nilai masukan
guna penentuan nilai keluaran sebagai
bentuk pengambilan keputusan. Salah
satu model penalaran yang banyak
dipakai adalah penalaran max-min.
Dalam penalaran ini, proses pertama
yang dilakukan adalah melakukan
operasi min sinyal keluaran lapisan
fuzzifikasi, yang diteruskan dengan
operasi max untuk mencari nilai
keluaran
yang
selanjutnya
akan
didefuzzifikasikan
sebagai
bentuk
keluaran.
3. Aturan Dasar (Rule Based)
Aturan dasar (rule based) pada
control logika fuzzy merupakan suatu
bentuk aturan relasi “Jika-Maka”atau “ifthen” seperti berikut ini:
if x is A then y is B
dimana A dan B adalah linguistic values
yang didefinisikan dalam rentang
variabel X dan Y. Pernyataan “x is A”
disebut
antecedent
atau
premis.
Pernyataan “y is B” disebut consequent
atau kesimpulan.
4. Defuzzifikasi
Input dari proses defuzzifikasi adalah
suatu himpunan fuzzy yang diperoleh
dari komposisi aturan-aturan fuzzy,
sedangkan output yang dihasilkan
merupakan suatu bilangan pada domain
himpunan fuzzy tersebut. Sehingga jika
diberikan suatu himpunan fuzzy dalam
range tertentu, maka harus dapat diambil
suatu nilai crisp tertentu.
namun fungsi keanggotaan yang digunakan
dalam penelitian ini adalah kurva Gaussian.
Grafik fungsi gaussian adalah sebagai
berikut:
2.5.3 Fuzzy Clustering
Salah satu penerapan logika fuzzy
adalah
dalam
clustering
atau
pengelompokan. Fuzzy clustering adalah
bagian dari pattern recognition atau
pengenalan
pola.
Fuzzy
clustering
memainkan peran yang paling penting dalam
pencarian struktur dalam data (Klir, 1995).
Fuzzy clustering adalah salah satu
teknik untuk menentukan cluster optimal
dalam suatu ruang vektor yang didasarkan
pada bentuk normal Euclidian untuk jarak
antar vektor (Kusumadewi, 2004).
Metode clustering yang digunakan
dalam penelitian ini adalah fuzzy c-means.
Metode ini pertama kali dikenalkan oleh Jim
Bezdek pada tahun 1981 (Kusumadewi,
2004). Fuzzy c-means adalah salah satu
teknik pengklusteran data yang mana
keberadaan tiap titik data dalam suatu cluster
ditentukan oleh derajat keanggotan.
gambar 2. 3 Kurva Gaussian
Secara matematis, notasi fungsi Gaussian
adalah:
2.5.4 Fungsi Keanggotaan
Fungsi Keanggotaan (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 sampai 1. Salah
satu cara yang dapat digunakan untuk
mendapatkan nilai keanggotaan adalah
dengan melalui pendekatan fungsi. Ada
beberapa fungsi yang biasa digunakan,
( ; , )=
2.5.5 Inferensi Fuzzy
Inferensi fuzzy merupakan suatu
proses penalaran yang didasarkan pada teori
himpunan fuzzy , aturan fuzzy berbentuk IFTHEN. Ada beberapa metode yang sering
digunakan untuk melakukan proses inferensi
atau penalaran fuzzy, yaitu metode Mamdani
dan metode Takagi-Sugeno. Dalam hal ini,
pembangunan logika fuzzy menggunakan
metode Takagi-Sugeno.
Metode ini diperkenalkan oleh TakagiSugeno Kang pada tahun 1985. Metode ini
diawali dengan pembentukan himpunan
fuzzy pada variabel masukan, dimana pada
variabel masukan menggunakan kurva
gaussian sebagai fungsi keanggotaannya.
Secara umum, bentuk model aturan fuzzy
Takagi-Sugeno menggunakan bentuk aturan
IF-THEN. Ada dua model untuk system
inferensi fuzzy Takagi-Sugeno, yaitu:
1. Model Fuzzy Sugeno Orde-Nol
Secara umum bentuk model fuzzy
SUGENO Orde-Nol adalah:
IF (x1 is A1) • (x2 is A2) • (x3 is A3) • ...... •
(xn is An) THEN z=k
dengan Ai adalah himpunan fuzzy ke-i
sebagai anteseden, dan k adalah suatu
konstanta (tegas) sebagai konsekuen.
2. Model Fuzzy Sugeno Orde-Satu
Secara umum bentuk model fuzzy
SUGENO Orde-Satu adalah:
IF (x1 is A1) • ...... • (xn is An) THEN z =
p1*x1 + … + pn*xn + q
dengan Ai adalah himpunan fuzzy ke-i
sebagai anteseden, dan pi adalah suatu
konstanta (tegas) ke-i dan q juga
merupakan konstanta dalam konsekuen.
2.5.6 Defuzzifikasi
Input dari proses defuzzifikasi adalah
suatu himpunan fuzzy yang diperoleh dari
komposisi aturan-aturan fuzzy, sedangkan
output yang dihasilkan merupakan suatu
bilangan pada domain himpunan fuzzy
tersebut. Sehingga jika diberikan suatu
himpunan fuzzy dalam range tertentu, maka
harus dapat diambil suatu nilai crsip tertentu
sebagai output. Metode defuzzifikasi yang
digunakan dalam penelitian ini adalah weight
average.
Pada metode wight average ini
mengambil
nilai
rata-rata
dengan
menggunakan pembobotan berupa derajat
keanggotaaan, sehingga z* didefinisikan
sebagai:
∗
=∑
( )
( )
5. Surface Viewer.
gambar 2. 4 Fuzzy Inference System.
III METODOLOGI PENELITIAN
4.1 Alur Penelitian
Pada bab ini akan dibahas mengenai
metodologi dan prosedur yang digunakan
dalam penelitian ini. Berikut ini adalah alur
penelitian yang digunakan sebagai dasar
dalam melaksanakan penelitian.
…(2.18)
Dimana z adalah nilai crisp dan µ(z)
adalah derajat keanggotaan dari nilai crisp z.
2.6 Fuzzy Toolbox MATLAB
Agar dapat menggunakan fungsifungsi logika fuzzy yang ada pada
MATLAB, maka harus diinstallkan terlebih
dahulu TOOLBOX FUZZY. Fuzzy logic
toolbox memberikan fasilitas Graphical User
Interface (GUI) untuk mempermudah dalam
membangun suatu sistem fuzzy. Ada 5 GUI
tools yang dapat digunakan untuk
membangun, mengedit, dan mengobservasi
sistem penalaran fuzzy (Gambar 2.9), yaitu:
1. Fuzzy Inference System (FIS) Editor;
2. Membership Function Editor;
3. Rule Editor;
4. Rule Viewer;
Gambar 3.1 Alur Penelitian
4.2 Studi Pustaka
Tahapan pertama dalam penelitian ini
adalah studi pustaka. Tahapan studi pustaa
ini adalah tahap mencari dan mengumpulkan
literature yang berkaitan dengan penelitian
ini baik melalui buku-buku maupun media
elektronik seperti internet. Studi pustaka
dilakukan untuk mengetahui hal-hal yang
berkaitan dengan penelitian ini, diantaranya
adalah mengenai unsur-unsur cuaca, hal-hal
yang mempengaruhi perubahan cuaca, kaitan
antara cuaca dan penerbangan, serta teoriteori tentang logika fuzzy dan permodelan
menggunakan logika fuzzy.
Selain
mengumpulkan
literatur
berupa teori-teori yang menunjang penelitian
ini, penulis juga mempelajari jurnal
mengenai prediksi cuaca yang pernah ada
sebelumnya sebagai dasar dari penelitian ini.
4.3 Identifikasi Masalah
Identifikasi
masalah
sangat
dibutuhkan untuk mengetahui permasalahan
yang berhubungan dengan cuaca yang
dibutuhkan untuk rekomendasi penerbangan.
Proses identifikasi masalah ini akan
membantu dalam proses pengumpulan data.
Yaitu untuk mengetahui variabel cuaca apa
saja yang dibutuhkan untuk memodelkan
sistem prediksi cuaca.
4.4 Pengumpulan Data
Data yang digunakan pada penelitian
ini berasal dari stasiun Meteorologi Kelas III
Tanjungpinang yang diukur perhari selama
satu tahun yaitu data pada bulan Maret 2010
hingga februari 2011. Data yang dimaksud
adalah data enam variabel cuaca yang telah
disebutkan pada bab sebelumnya yaitu suhu,
kecepatan angin, kelembaban udara, tekanan
udara, hujan dan jarak pandang. Data-data ini
diambil melalui titik pengamatan 00º 92’ LU
dan 104º 53’ BT dengan radius sejauh 10 km
dan elevasi 18 meter.
Keenam data tersebut dibagi menjadi
data masukan dan data keluaran. Data
masukan yang digunakan adalah variabel
suhu, angin dan kelembaban untuk
mendapatkan variabel keluaran hujan,
sedangkan variabel keluaran kecepatan angin
didapatkan dari variabel masukan yaitu
variabel suhu dan tekanan udara.
4.5 Pengolahan Data Masukan dan
Keluaran
Model logika fuzzy dipengaruhi oleh
data masukan dan data keluaran, atau biasa
disebut dengan variabel masukan dan
variabel keluaran. Dalam hal kelayakan
cuaca untuk rekomendasi penerbangan,
variabel cuaca yang paling berpengaruh
adalah curah hujan dan kecepatan angin,
maka kedua variabel tersebut yang akan
dijadikan sebagai variabel keluaran dari
logika fuzzy. Sedangkan hal-hal yang
mempengaruhi kedua variabel tersebut
seperti suhu udara, tekanan udara,
kelembaban udara dan kecepatan angin
menjadi variabel masukan bagi permodelan
logika fuzzy ini.
Pada pengolahan data masukan dan
keluaran ini, dilakukan proses clusterisasi
untuk mengelompokkan data dalam beberapa
grup atau cluster. Informasi cluster ini akan
membantu dalam pembangunan FIS (Fuzzy
Inference System) tipe sugeno terbaik yang
bisa memodelkan kelakuan hubunga data
input-output dengan junlah rule minimum.
Definisi sebuah rule diasosiasikan dengan
suatu cluster data.
Salah satu teknik fuzzy clustering
adalah Fuzzy C Means (FCM). Dalam teknik
ini, tiap titik data dikelompokkan dalam
suatu cluster dengan derajat keanggotaan
tertentu. Untuk menggunakan teknik ini,
biasanya sudah ditentukan jumlah cluster
dalam keseluruhan data. Keluaran FCM ini
bukan merupakan fuzzy inference system,
namun merupakan deretan pusat cluster dan
beberapa derajat keanggotaan untuk tiap-tiap
data. Informasi ini dapat digunakan untuk
membangun fuzzy inference system awal,
terutama dalam mendefinisikan fungsi
keanggotaan untuk merepresentasikan nilai
fuzzy dari tiap cluster.
Karena data yang akan dicluster
jumlahnya sangat banyak, maka pada
pembangunan
logika
fuzzy
ini,
pengelompokan data menggunakan metode
fuzzy cluster means dilakukan dengan
menggunakan bantuan matlab, yaitu dengan
menuliskan syntax pada editor matlab.
4.6 Perancangan 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. Blok
diagram untuk perancangan logika fuzzy
dapat terlihat pada gambar 3.3.
Gambar 3. 2 Diagram Perancangan
Rekomendasi Penerbangan
3.6.1 Penentuan Fungsi Keanggotaan
Fungsi keanggotaan (membership
function) digunakan untuk menunjukkan
hasil
prediksi.
Penggunaan
fungsi
keanggotaan didasarkan pada bentuk kurva.
Kurva yang digunakan pada fungsi
keanggotaan
untuk
perancangan
rekomendasi penerbangan ini adalah kurva
Gaussian. Pemilihan kurva Gaussian ini
dikarenakan penggunaan kurva Gaussian
sesuai untuk data yang sifatnya kontinyu dan
data-data alami seperti keadaan cuaca.
Pembentukan fungsi keanggotaan ini
menggunakan Fuzzy Inference System Editor
(FIS Editor) tipe Takagi Sugeno karena kita
menginginkan keluaran yang berupa
numerik. Penggunaan Fuzzy Toolbox
digunakan untuk memudahkan penggunaan
logika fuzzy pada MATLAB 7.8.0. Contoh
tampilan FIS Editor pada MATLAB dapat
dilihat pada gambar berikut:
3.6.2 Penetuan Aturan (Rule Based)
Data yang telah dikelompokkan
berdasarkan fuzzy clustering kemudian
dibuat aturan yang disebut aturan jika maka
(if – then). Sebuah aturan fuzzy tunggal
berbentuk seperti berikut:
if x is A then y is B
Aturan ini digunakan untuk dijadikan
sebagai patokan untuk kondisi variabel
masukan tertentu maka akan didapatkan
variabel keluaran yang nilainya tertentu pula.
Pembuatan
aturan
didasarkan
pada
kepakaran serta pengamatan data yang
berupa kebiasaan di alam.
Pada aturan ini terdiri dari kumpulan
aturan peramalan cuaca yang berbasis logika
fuzzy untuk menyatakan kondisi cuaca yang
terjadi.
Penyusunan
aturan
sangat
berpengaruh pada presisi model, pada tahap
pengambilan
keputusan
ditentukan
berdasarkan rancangan rule base. Pada
model perancangan prediksi hujan terdapat
27 rule, sedangkan pada model perancangan
prediksi angin terdapat 9 rule.
Pada
pembuatan
aturan
ini,
menggunakan bantuan Rule Editor pada
MATLAB. Rule Editor merupakan bagian
dari FIS Editor yang ada pada fuzzyToolbox
untuk memberikan aturan pada fuzzy
sehingga didapatkan nilai keluaran yang
sesuai.
3.6.3 Inferensi Fuzzy
Proses inferensi fuzzy adalah proses
pengambilan keputusan untuk mendapatkan
sinyal logika fuzzy berdasarkan rancangan
basis aturan yang telah dibuat. Nilai masukan
yang teramati diolah untuk diidentifikasi
aturan mana yang akan digunakan. Teknik
pengambilan keputusan yang digunakan
adalah metode Takagi Sugeno. Alasan
menggunakan metode ini adalah karena
metode ini lebih fleksibel jika dibandingkan
dengan metode Mamdani, sehingga cocok
untuk peramalan. Dalam metode Takagi
Sugeno, penerapannya menggunakan aturan
operasi AND, hal ini karena semua variabel
masukan saling mempengaruhi.
Tahap
ini
merupakan
tahap
pengambilan keputusan, dimana nilai
masukan yang berupa kecepatan angin, suhu,
kelembaban dan tekanan masih berupa
himpunan crisp yang nantinya akan diubah
menjadi himpunan fuzzy dengan fungsi
keanggotaan yang berbeda untuk tiap
variabel. Dengan mengacu pada basis aturan
yang telah dibuat, diperoleh nilai fuzzy
berdasarkan nilai fuzzy masing-masing
variabel masukan.
Software prediktor ini terdiri atas variabelvariabel yang mempengaruhi fungsi keluaran
seperti suhu, tekanan, kelembaban, dan
kecepatan angin. Dengan hasil keluaran
berupa hasil prediksi hujan dan prediksi
kecepatan angin baik dalam bentuk numeric
maupun linguistic, serta rekomendasi apakah
cuaca tersebut layak untuk dilakukan
penerbangan.
3.6.4 Defuzzifikasi
Defuzzifikasi
adalah
proses
pengkonversian setiap hasil dari inference
system yang diekspresikan dalam bentuk
fuzzy set ke satu bilangan real. Hasil
konversi tersebut merupakan keluaran yang
diambil oleh system logika fuzzy. Karena
itu, pemilihan metode defuzzifikasi yang
sesuai juga turut mempengaruhi system
kendali logika fuzzy dakam menghasilkan
respon yang optimum. Dalam pembangunan
logika fuzzy ini, metode defuzzifikasi yang
digunakan adalah weight average (rata-rata
terbobot). Metode ini mengambil nilai ratarata dengan menggunakan pembobotan
berupa derajat keanggotaan.
IV PEMBAHASAN
Pada pembuatan prediksi cuaca
berbasis logika fuzzy ini digunakan variabel
masukan dan variabel keluaran yang
digunakan untuk membangun logika fuzzy
untuk pembangunan logika fuzzy. Variabel
masukan untuk rekomendasi penerbangan
yang digunakan dalam pembangunan logika
fuzzy ini meliputi kondisi actual kecepatan
angin (knot), suhu (C), kelembaban (%) dan
tekanan udara (mb). Data yang digunakan
untuk permodelan menggunakan data selama
satu tahun, dimulai dari maret 2010 hingga
februari 2011 di titik pengamatan 00º 92’ LU
- 104º 53’ BT. Data yang digunakan berupa
data rata-rata harian yang didapatkan dari
stasiun meteorologi Kelas III Tanjungpinang.
4.7 Validasi Model Logika Fuzzy
Setelah permodelan menggunakan
logika fuzzy didapatkan, langkah selanjutnya
adalah validasi atau pengujian. Pengujian
dilakukan untuk
mengetahui apakah
perancangan perancangan model prediksi
cuaca yang dibuat telah sesuai dengan tujuan
yang ingin dicapai. Pengujian ini dilakukan
untuk keperluan analisa. Data prediksi hasil
model logika fuzzy di validasi dengan data
actual
dari
BMKG,
dengan
cara
mencocokkan hasil keluaran dengan data
actual. Data yang divalidasi adalah data ratarata perhari. Apabila hasil keluaran sesuai
dengan variabel linguistic data actual, maka
prediksi pada hari tersebut bernilai tepat.
4.8 Pembuatan Software Prediktor
Setelah mendapatkan permodelan dan
telah diuji validitasnya, maka dilakukan
pembuatan software yang digunakan sebagai
simulator.
Pembuatan
software
ini
menggunakan GUIDE MATLAB 7.8.
4.1 Penerapan Konsep Logika Fuzzy
Berdasarkan teori tentang konsep
logika fuzzy pada bab 2, pada bab ini akan
dibahas penerapan dari konsep logika fuzzy
tersebut untuk membangun model prediksi
cuaca menggunakan logika fuzzy.
4.1.1 Pengolahan dan Pengelompokan
Data Masukan
Sebelum membangun model prediksi
cuaca,
dilakukan
pengolahan
dan
pengelompokan data atau proses clustering
data menggunakan teknik Fuzzy Clustering
Means (FCM). Berdasarkan algoritma FCM
yang ada pada bab 2, maka pada bab ini akan
dibahas penerapan algoritma tersebut untuk
mengelompokkan data yang akan digunakan
untuk membangun model prediksi cuaca.
Misalkan terdapat 15 sampel data yang
merupakan variabel suhu sebagaimana
terlihat pada tabel 4.1.
Tabel 4.1 Data-data yang akan di cluster
Data keSuhu
[1]
[2]
1
24.5
2
27.6
3
26.6
4
25.1
5
24.8
6
26.7
7
27.0
8
25.8
9
27.9
10
26.5
11
28.4
12
27.7
13
27.7
14
28.5
15
27.2
Data-data
tersebut
akan
dikelompokkan menjadi 3 cluster. Parameter
yang digunakan dalam prose pengclusteran
dengan menggunakan algoritma FCM
adalah:
 C (Jumlah cluster yang akan dibentuk)
=3
 W (Pangkat/Pembobot) = 2
 Maksimum Iterasi = 100

(Kriteria Penghentian) = 10-6
Matriks partisi U0 dipilih secara acak (jumlah
kolom sebanyak jumlah data yang akan
dicluster), misalkan:
0.25 ⋮ ⋯ ⋮ 0.48
= 0.40 ⋮ ⋱ ⋮ 0.24
0.35 ⋮ ⋯ ⋮ 0.28
Sebagai catatan, jumlah setiap kolom pada
matriks U harus sama dengan 1.
Pusat cluster dihitung dengan persamaan 2.6,
diperoleh:
= [27.49 26.55 26.59]
Jarak antara setiap data dengan pusat
cluster dihitung dengan menggunakan
persamaan 2.10, diperoleh:
2.99 ⋮ ⋯ ⋮ 0.29
= 2.05 ⋮ ⋱ ⋮ 0.65
2.09 ⋮ ⋯ ⋮ 0.61
Hitung fungsi objektif untuk iterasi
pertama dengan menggunakan persamaan
2.8, sehingga diperoleh = 9.904188.
Selanjutnya matriks partisi U1
diperbaiki dengan menggunakan persamaan
2.9 sehingga diperoleh:
0.26 ⋮ ⋯ ⋮ 0.52
= 0.37 ⋮ ⋱ ⋮ 0.23
0.37 ⋮ ⋯ ⋮ 0.25
Nilai mutlak terbesar selisih antara
U1 dan U0 adalah ∆= 0.6 > , sehingga
proses diulangi lagi dengan menghitung
pusat cluster, diperoleh sebagai berikut:
= [27.56 26.25 26.40]
Demikian seterusnya hingga terakhir
pada iterasi yang ke-11 diperoleh pusat
cluster, V, sebagai berikut:
= [26.70 27.95 24.87]
Matriks partisi U11 diperbaiki dengan
persamaan 2.9, sehingga diperoleh:
0.03 ⋮ ⋯ ⋮ 0.67
= 0.01 ⋮ ⋱ ⋮ 0.30
0.96 ⋮ ⋯ ⋮ 0.03
Nilai mutlak terbesar selisih antara
U11 dan U10 adalah Δ = 8.9 x 10-7 < ,
sehingga proses iterasi dihentikan, karena
matriks partisi sudah konvergen.
Dari hasil tersebut dapat dilihat
kecenderungan suatu data untuk masuk pada
cluster tertentu seperti terlihat pada tabel 4.2.
Tabel 4.2 Kecenderungan Data Pada Cluster
Tertentu
Kecenderungan
Matriks Partisi
Data
Cluster
KeC1
C2
C3
C1
C2
C3
[2]
[3]
[4]
[5]
[6]
[7]
1
0.0269
0.0110
0.9621
2
0.1291
0.8570
0.0139
3
0.9903
0.0060
0.0036
4
0.0202
0.0064
0.9734
√
5
0.0013
0.0005
0.9982
√
6
1.0000
0.0000
0.0000
√
7
0.8959
0.0869
0.0172
√
8
0.4713
0.0837
0.4450
√
9
0.0016
0.9982
0.0002
10
0.9654
0.0194
0.0152
11
0.0656
0.9193
0.0151
√
12
0.0578
0.9351
0.0071
√
13
0.0578
0.9351
0.0071
√
[1]
√
√
√
√
√
Lanjutan Tabel 4.2
[1]
[2]
[3]
[4]
14
0.0848
0.8945
0.0207
15
0.6740
0.2957
0.0304
[5]
[6]
[7]
√
√
Berdasarkan tabel tersebut, terlihat
bahwa data ke-3, 6, 7, 8, 10 dan 15
cenderung untuk masuk ke cluster yang
pertama (suhu sedang), data ke-2, 9, 11, 12,
13, dan 14 cenderung untuk masuk cluster
kedua (suhu tinggi), sedangkan data ke-1, 4
dan 5 cenderung untuk masuk ke cluster
ketiga (suhu rendah).
Proses pengclusteran ini juga
dilakukan untuk semua variabel masukan,
dengan langkah yang sama seperti
melakukan pengclusteran variabel suhu.
Akan tetapi, karena data yang akan di cluster
jumlahnya sangat banyak, maka pada
penelitian ini menggunakan bantuan matlab
untuk mempercepat proses clustering.
4.1.2 Fuzzifikasi
Untuk masalah prediksi cuaca kali
ini, ambil satu sample data aktual yaitu suhu
aktual 26.6º C, kelembaban 86%, dan angin
9 knot. Bagaimana curah hujan yang terjadi
untuk hari berikutnya?
Pada tahap ini dilakukan proses
pengubahan nilai tegas tersebut ke dalam
fungsi keanggotaan. Dalam hal ini fungsi
keanggotaan yang digunakan adalah fungsi
keanggotaan gaussian sehingga persamaan
yang digunakan adalah persamaan 2.15,
sehingga diperoleh derajat keanggotaan
sebagai berikut:
a. Variabel Suhu

= 0.433

= 0.994

= 0.465
b. Variabel Kelembaban

= 0.495

= 0.999

= 0.382
c. Variabel Angin

= 0.059

= 0.464

= 0.992
4.1.3 Penalaran (Inferensi)
Berdasarkan aturan logika fuzzy pada
tabel 4.5, terdapat 27 aturan untuk prediksi
hujan, yaitu:
IF Angin = Sedang AND Suhu = Rendah
AND Kelembaban = Tinggi
THEN Hujan = Sedang
.
.
.
IF Angin = Sangat Kencang AND Suhu =
Tinggi AND Kelembaban = Rendah
THEN Hujan = Cerah
4.1.4 Defuzzifikasi
Defuzzifikasi
adalah
proses
pengkonversian setiap hasil dari inference
system yang diekspresikan dalam bentuk
fuzzy set ke satu bilangan real. Hasil
konversi tersebut merupakan keluaran yang
diambil oleh system logika fuzzy.
Dalam pembangunan logika fuzzy ini,
metode defuzzifikasi yang digunakan adalah
weight average (rata-rata terbobot). Sehingga
persamaan
yang
digunakan
adalah
persamaan 2.18, maka diperoleh perhitungan
sebagai berikut:
.
∗
=
= .
.
Dengan demikian didapatkan bahwa
jika pada hari ini suhu rata-ratanya adalah
26.6º C, kelembaban 86% dan kecepatan
angin 9 knot, maka curah hujan pada hari
berikutnya adalah 12.59 mm/hari yang
termasuk dalam variabel linguistik hujan
ringan. Kemudian hasil linguistik tersebut
digunakan
sebagai
masukan
untuk
menentukan jarak pandang. Berdasarkan
tabel 4.9, terlihat bahwa dengan kondisi
hujan ringan, jarak pandangnya ada pada
range 5000 - 10000 m yang termasuk jarak
pandang jauh.
Berdasarkan rekomendasi kelayakan
penerbangan bahwa pesawat yang layak
mendapatkan rekomendasi penerbangan
adalah dengan jarak pandang jauh dan
sedang, maka dapat dikatakan bahwa pada
hari berikutnya pesawat layak terbang.
4.2 Pembangunan Model Prediksi Logika
Fuzzy dengan MATLAB
4.2.1 Pengolahan dan Pengelompokan
Data
Dari
penjelasan
sebelumnya,
disebutkan bahwa pembentukan fungsi
keanggotaan menggunakan kurva gaussian.
Kurva gaussian membutuhkan masukan
berupa nilai standar deviasi yang didapatkan
dari keseluruhan data serta nilai titik tengah
yang didapatkan dari hasil fuzzy clustering
menggunakan fuzzy C-Means.
Pada pembangunan logika fuzzy ini,
pengelompokan data menggunakan metode
fuzzy cluster means yang dilakukan dengan
menggunakan
matlab,
yaitu
dengan
menuliskan syntax pada editor matlab.
Teknik
fuzzy
cluster
means
ini
diimplementasikan dalam fungsi fcm pada
matlab.
a. Pengolahan dan Pengelompokan Data
untuk Prediksi Hujan
Pada prediksi hujan ini digunakan
tiga variabel masukan yaitu variabel suhu,
kecepatan angin dan kelembaban. Pembagian
kelompok untuk variabel suhu dibagi
menjadi tiga cluster, yaitu cluster rendah,
sedang dan tinggi. Untuk variabel kecepatan
angin dibagi menjadi tiga cluster yaitu
cluster sedang, kencang dan sangat kencang.
Variabel masukan kelembaban juga dibagi
menjadi tiga cluster yaitu cluster sedang,
rendah dan tinggi.
Berdasarkan data yang diperoleh dari
hasil clustering, didapatkan nilai standar
deviasi dan titik tengah sebagai berikut.
Tabel 4.4 Hasil Clustering, standar deviasi
dan titik tengah untuk prediksi hujan
No
1
2
3
Fungsi
Standar
Titik
Keanggotaan
Deviasi
Tengah
Variabel
Suhu ( C )
Rendah
1.075
25.21
Sedang
1.075
26.72
Tinggi
1.075
27.93
Kecepatan
Sedang
1.444
5.564
Angin
Kencang
1.444
7.212
(knot)
Sangat Kencang
1.444
9.186
Kelembaban
Rendah
4.593
80.55
(Rh)
Sedang
4.593
85.99
Tinggi
4.593
92.37
b. Pengolahan dan Pengelompokan Data
untuk Prediksi Angin
Pada prediksi angin ini digunakan dua
variabel masukan yaitu variabel suhu dan
tekanan udara. Variabel suhu dibagi menjadi
lima cluster yaitu sangat rendah, rendah,
sedang, tinggi, dan sangat tinggi. Begitu juga
dengan variabel tekanan udara yang dibagi
menjadi lima cluster yaitu sangat kecil, kecil,
sedang, besar, dan sangat besar.
Berdasarkan data yang diperoleh dari
hasil clustering, didapatkan nilai standar
deviasi dan titik tengah sebagai berikut.
Tabel 4.5 Hasil Clustering, standar deviasi
dan titik tengah untuk prediksi angin
No
1
2
Variabel
Fungsi
Standar
Titik
Keanggotaan
Deviasi
Pusat
Sangat Rendah
1.075
24.55
Rendah
1.075
25.87
Sedang
1.075
26.78
Tinggi
1.075
27.66
Sangat Tinggi
1.075
28.52
Tekanan
Sangat Kecil
1.328
1007
Udara (mb)
Kecil
1.328
1009
Sedang
1.328
1010
Besar
1.328
1011
Sangat Besar
1.328
1012
Suhu (C)
4.2.2 Pembentukan Fungsi Keanggotaan
Fungsi keanggotaan (membership
function) digunakan untuk menunjukkan
hasil prediksi.
Pembentukan fungsi keanggotaan ini
menggunakan Fuzzy Inference System Editor
(FIS Editor) tipe Takagi Sugeno karena kita
menginginkan keluaran yang berupa
numerik. Penggunaan Fuzzy Toolbox
digunakan untuk memudahkan penggunaan
logika fuzzy pada MATLAB 7.8.0.
a. Pembentukan Fungsi Keanggotaan
untuk Prediksi Hujan
Variabel cuaca yang digunakan untuk
memprediksi hujan adalah kecepatan angin,
temperature (suhu udara) dan kelembaban.
Sehingga
dapat
terlihat
fungsi
keanggotaannya pada gambar 4.20.
pada kepakaran serta pengamatan data yang
berupa kebiasaan di alam.
Pada aturan ini terdiri dari kumpulan
aturan peramalan cuaca yang berbasis logika
fuzzy untuk menyatakan kondisi cuaca yang
terjadi.
Penyusunan
aturan
sangat
berpengaruh pada presisi model, pada tahap
pengambilan
keputusan
ditentukan
berdasarkan rancangan rule base. Pada
model perancangan prediksi hujan terdapat
27 rule, sedangkan pada model perancangan
prediksi angin terdapat 25 rule.
a. Pembuatan Aturan Prediksi Hujan
gambar 4. 1 Tampilan FIS Editor untuk
masukan berupa kecepatan angin dan
keluaran berupa hujan
b. Pembentukan Fungsi Keanggotaan
untuk Prediksi Angin
Variabel cuaca yang digunakan untuk
memprediksi kecepatan angin adalah
temperature dan tekanan udara. Sehingga
dapat dibuat fungsi keanggotaannya seperti
pada gambar 4.24.
gambar 4. 2 FIS Editor Pada MATLAB
untuk keluaran berupa kecepatan angin
4.2.3 Pembuatan Aturan (Rule Based)
Data yang telah dikelompokkan
berdasarkan fuzzy clustering kemudian
dibuat aturan yang disebut aturan jika maka
(if – then). Aturan ini digunakan untuk
dijadikan sebagai patokan untuk kondisi
variabel masukan tertentu maka akan
didapatkan variabel keluaran yang nilainya
tertentu pula. Pembuatan aturan didasarkan
No
if
Kecepatan
Suhu
Kelembaban
Angin
(C)
(Rh)
Hujan
tinggi
Hujan
Sedang
sedang
Hujan Ringan
if
rendah
Cerah
4
if
tinggi
Cerah
5
if
sedang
Cerah
6
if
rendah
Cerah
7
if
tinggi
Cerah
sedang
Cerah
rendah
Cerah
tinggi
sedang
Hujan Lebat
Hujan
Sedang
rendah
Hujan Ringan
tinggi
Hujan Ringan
sedang
Cerah
1
if
2
if
3
8
if
9
if
10
if
11
if
12
if
13
if
rendah
sedang
sedang
tinggi
rendah
kencang
sedang
14
if
15
if
rendah
Cerah
16
if
tinggi
Cerah
17
if
sedang
Cerah
18
if
rendah
19
if
Cerah
Hujan Sangat
Lebat
20
if
21
if
22
if
tinggi
tinggi
rendah
sangat
kencang
sedang
sedang
rendah
Hujan Lebat
Hujan
Sedang
tinggi
Hujan Ringan
sedang
Hujan Ringan
23
if
24
if
rendah
Hujan Ringan
25
if
tinggi
Cerah
26
if
sedang
Cerah
27
if
rendah
Cerah
tinggi
b. Pembuatan Aturan Prediksi Kecepatan
Angin
Tabel 4.7 Aturan Logika Fuzzy untuk
Prediksi Kecepatan Angin
No
if
Tekanan
1
if
SRd
Sedang
2
if
Rd
Sedang
3
if
Sdg
Ringan
SKc
Suhu
Kec. Angin
4
if
Tg
Ringan
5
if
STg
Ringan
6
if
SRd
Sedang
7
if
Rd
Ringan
Sdg
Sedang
Kcl
8
if
9
if
Tg
Ringan
10
if
STg
Ringan
11
if
SRd
Sedang
12
if
Rd
Sedang
Sdg
Sedang
Sdg
13
if
14
if
Tg
Sedang
15
if
STg
Ringan
16
if
SRd
Kencang
17
if
Rd
Sedang
Sdg
Sedang
Bs
18
if
19
if
Tg
Ringan
20
if
STg
Sedang
21
if
SRd
Sangat kencang
22
if
Rd
Kencang
Sdg
Sedang
SBs
23
if
24
if
Tg
Sedang
25
if
STg
Sedang
4.9 Pengujian Model Logika Fuzzy
Setelah melakukan proses inferensi
fuzzy dan defuzzifikasi, didapatkan hasil
permodelan dari logika fuzzy yang berupa
bilangan real. Langkah selanjutnya adalah
validasi atau pengujian.
Pada pembuatan prediksi cuaca ini,
menggunakan 365 data yang digunakan
untuk membangun logika, yaitu dari bulan
Maret 2010 hingga Februari 2011. Data yang
telah terkumpul dan di kelompokkan,
digunakan sebagai membership function
dalam
pembangunan
logika
fuzzy.
Selanjutnya dilakukan pengujian dengan 184
data input, yaitu data pada bulan Juli 2010
hingga Desember 2010. Seperti yang
dijelaskan pada Tabel 4.8.
Tabel 4.8 Data Training dan Validasi
No
Model
Data
Data
Prediksi
Training
Validasi
1
Hujan
365
184
2
Angin
365
184
4.3.1 Pengujian Model Prediksi Hujan
Berdasarkan 27 rule yang telah
ditetapkan, maka hasil keputusan hujan
secara linguistik terdiri dari 5 jenis kondisi,
yaitu cerah, hujan ringan, hujan sedang,
hujan lebat dan hujan sangat lebat. Dari 184
hari untuk kondisi sebenarnya, terdapat 91
hari untuk kondisi cerah, 38 hari untuk
kondisi hujan ringan, 23 hari untuk kondisi
hujan sedang, 10 hari untuk kondisi hujan
lebat akan dan tidak ada hari untuk kondisi
hujan sangat lebat serta 22 hari untuk kondisi
hujan tidak terukur.
Sedangkan
hasil
prediksi
menunjukkan sebanyak 74 hari untuk kondisi
cerah, 63 hari kodisi hujan ringan, 16 kondisi
hujan sedang, namun tidak ada hari untuk
kondisi hujan lebat dan hujan sangat lebat.
Karena pada data aktual terdapat 22 hari
yang tak terukur, maka terdapat 100 hari
yang sama dengan kondisi sebenarnya.
Sehingga ketepatan pengambilan keputusan
berdasarkan logika fuzzy adalah 61.73%
seperti yang terlihat pada tabel 4.9 dan grafik
pada gambar 4.33.
Tabel 4.9 Perbandingan ketepatan prediksi
dengan
keadaan
sebenarnya
model prediksi hujan
Kondisi Hujan Secara Linguistik
Data
Cerah
Hujan
Hujan
Hujan
Hujan
Ringan
Sedang
Lebat
Sangat
Lebat
Aktual
91
38
23
10
0
Prediksi
89
73
22
0
0
:
100
Jumlah Data yang memiliki kesamaan
Fungsi Keanggotaan
:
Keakuratan (%)
Fungsi Keanggotaan
61.73
Keakuratan (%)
Pengujian Model Prediksi Hujan
Aktual
100,0
80,0
60,0
40,0
20,0
0,0
Prediksi
:
87.5
Tabel 4.14 Perbandingan ketepatan prediksi
dengan keadaan sebenarnya untuk
prediksi rekomendasi kelayakan
berdasarkan jarak pandang
Rekomendasi
No
Data
Layak
Tidak Layak
Aktual
177
7
2
Prediksi
184
0
H
1
2
4
7
9
1
Waktu (hari)
gambar 4. 3 Grafik Perbandingan Prediksi
Hujan dan Data Aktual
Jumlah Data yang memiliki
kesamaan Fungsi Keanggotaan
Keakuratan (%)
Hujan memiliki hubungan yang erat dengan
jarak pandang, seperti yang terlihat pada
tabel 4.10. Apabila terjadi hujan, maka akan
menyebabkan jarak pandang berkurang.
Menurut
BMKG,
jarak
pandang
didefinisikan dengan tiga linguistic, yaitu
jarak pandang pendek, jarak pandang sedang,
dan jarak pandang jauh. Dalam hal ini,
pesawat hanya dapat terbang dan mendarat
pada jarak pandang jauh dan jarak pandang
sedang, untuk jarak pandang pendek,
pesawat
tidak
diizinkan
melakukan
penerbangan.
Tabel 4.10 Hubungan Hujan dan Jarak
Pandang (BMKG)
No
1
2
3
4
5
Kondisi
Cerah
Hujan Ringan
Hujan Sedang
Hujan Lebat
Hujan Sangat Lebat
Jarak Pandang
:
177
:
96.2
4.4 Pembuatan Software Prediktor
Software prediktor rekomendasi
penerbangan
menggunakan
GUIDE
MATLAB R2009a dibuat untuk memberikan
gambaran simulator berbentuk software
sebagai alat untuk memprediksi hujan dan
kecepatan angin. Untuk mendapatkan
prediksi hujan dan kecepatan angin, terlebih
dahulu diharuskan untuk memasukkan nilai
suhu aktual (C), kecepatan angin aktual
(knot), kelembaban aktual (%), dan tekanan
udara aktual (mb). Setelah itu akan
didapatkan hasil prediksi untuk curah hujan
dan kecepatan angin.
> 10000 m
5000 - 10000 m
3000 - 5000 m
1000 - 3000 m
< 1000 m
Tabel 4.11 Perbandingan ketepatan prediksi
dengan keadaan sebenarnya untuk
prediksi jarak pandang
Jarak Pandang
No
Data
Jauh
Sedang
Pendek
1
Aktual
161
16
7
2
Prediksi
184
0
0
:
161
Jumlah Data yang
memiliki kesamaan
gambar 4. 4 Software Prediktor
V PENUTUP
5.1
Kesimpulan
Berdasarkan pembahasan yang telah
dilakukan, dapat disimpulkan bahwa model
prediksi cuaca menggunakan metode logika
fuzzy untuk kebutuhan penerbangan
menghasilkan nilai kekauratan untuk
prediksi hujan adalah 61.73%, prediksi jarak
pandang menghasilkan nilai kekauratan
87.5%,
prediksi
kecepatan
angin
menghasilkan nilai keakuratan 50.5%,
prediksi angin buritan menghasilkan nilai
keakuratan 88.6%, prediksi nilai kelayakan
berdasarkan jarak pandang menghasilkan
keakuratan 96.2% dan prediksi kelayakan
berdasarkan angin buritan adalah 88.6%.
5.2
Saran
Penulis menyadari bahwa masih
banyak terdapat kekurangan pada penelitian
ini
dan
masih
perlu
dilakukan
pengembangan. Maka dari itu perlu
dilakukan penelitian lanjutan dengan
melakukan perubahan parameter serta
menambahkan variabel-variabel lain yang
mempengaruhi jarak pandang dan angin
buritan seperti keadaan cuaca berupa kabut,
halimun, udara kabur dan arah angin untuk
mendapatkan nilai keakuratan yang lebih
baik
untuk
rekomendasi
kelayakan
penerbangan.
DAFTAR PUSTAKA
[1] Arifin, Syamsul.2009.Sistem Logika
Fuzzy sebagai Peramal Cuaca di
Indonesia,
Studi
Kasus:
Kota
Surabaya.
[2] Georgios Sylaios, Frederic Bouchette,
Vassilios A. Tsihrintzis, dan Clea
Denamiel.2008.A Fuzzy Inference
System for Wind-Wave Modelling.
[3] Dewi, Sri Kusuma.2006.Neuro Fuzzy:
Integrasi Jaringan Syaraf dan Sistem
Fuzzy.Yogyakarta:Graha Ilmu.
[4] Naba, Eng. Agus.2009.Belajar Cepat
Fuzzy
Logic
Menggunakan
MATLAB.Yogyakarta:ANDI
Yogyakarta.
[5] Peranginangin,
Kasiman.
2006.
Pengenalan
MATLAB.Yogyakarta:
ANDI Yogyakarta.
[6]
Rahayu, Minto.2007.Bahasa Indonesia
di Perguruan Tinggi. Jakarta:Grasindo.
[7] Sahid.
2006.Panduan
Praktis
MATLAB.Yogyakarta:ANDI
Yogyakarta.
[8] Sugiharto, Aris. 2006.Pemrograman
GUI
dengan
MATLAB.
Yogyakarta:ANDI Yogyakarta.
[9] Suyanto..2007.Artificial Intelligence:
Searching, Reasoning, Planning dan
Learning.Bandung:INFORMATIKA
Bandung.
[10] Handrini.2010.Cuaca dan
Penerbangan. URL:
http://www.edukasi.net/mol/mo_full.ph
p?moid=138&fname=geo109_03.htm.
Tanggal Akses: April 2011.
[11] Sarjani.2011.Cuaca dan Iklim.[pdf].
URL:http://elcom.umy.ac.id/elschool/
muallimin_muhammadiyah/file.php/1/
materi/Geografi/CUACA%20DAN%2
0IKLIM.pdf. Tanggal Akses: April
2011.