Persiapan Paper untuk Title

1
PERANCANGAN SISTEM INFORMASI CUACA MARITIM
UNTUK PARA NELAYAN JAWA TIMUR DENGAN MEDIA
KOMUNIKASI SHORT MESSAGE SERVICE
Arief Hanifan P , Syamsul Arifin, Aulia Siti Aisyah
Department of Engineering Physics, Faculty of Industrial Technology
ITS Surabaya Indonesia 60111, email: [email protected]
Kebutuhan atas informasi cuaca penting pada bidang pelayaran
untuk menentukan kelayakan pelayaran. Penelitian menggunakan
metode logika fuzzy untuk prediksi cuaca maritim. Data yang
digunakan adalah data yang diambil dari Badan Meteorologi
Klimatologi dan Geofisika (BMKG) pada waktu 3 tahun dari tahun
Januari 2008 hingga Maret 2011 pada tiga titik penangkapan ikan
nelayanJawa Timur. Data tersebut digunakan sebagai masukan
dari logika fuzzy yang terdiri dari tiga variabel dan satu keluaran
untuk masing-masing logika fuzzy yaitu ketinggian gelombang
atau kecepatan arus. Hasil prediksi ketinggian gelombang untuk
7740 data didapatkan prosentase keakuratan data bila
dibandingkan dengan data yang berasal dari BMKG, Perairan
Banyuwangi untuk prediksi kecepatan arus prosentase keakuratan
96,62% untuk 1 jam ke depan, 91,96 % untuk prediksi 6 jam ke
depan, 87,14% untuk prediksi 12 jam ke depan, 84,06 % untuk
prediksi 24 jam ke depan. Prediksi ketinggian gelombang
prosentase keakuratan 93,99% untuk prediksi 1 jam ke depan,
88,21% untuk prediksi 6 jam ke depan, 81,35% untuk prediksi 12
jam ke depan, dan 79,32% untuk prediksi 24 jam.dan Pasuruan.
Keluaran prediksi logika fuzzy akan menentukan kelayakan
pelayaran dilihat dari ketinggian gelombang dan kecepatan arus.
Kelayakan pelayaran Perairan Banyuwangi untuk nelayan 0-10
GT yaitu 90,18 % untuk nelayan 10-30 GT adalah 97,4%. Prediksi
cuaca maritim juga dilakukan pada prediksi pada dua titik perairan
lain yaitu Perairan Situbondo dan Pasuruan. perancangan sistem
informasi cuaca maritim dengan media komunikasi SMS dengan
menggunakan server berupa modem GSM dengan hasil sistem
informasi berupa pesan sms pada pengirim pesan telah sesuai
dengan hasil prediksi.
Kata Kunci: Fuzzy Inference System, Kelayakan Pelayaran
Nelayan, Prediksi Cuaca Maritim, Short Message Service.
I
ndonesia merupakan negara kepulauan dengan ribuan pulau.
Transportasi laut memiliki fungsi penting dan strategis,
khususnya pelayaran nasional. Peningkatan aktifitas
transportasi laut disisi lain juga berdampak semakin
meningkatnya insiden dan kecelakaan transportasi. Pola cuaca
dan iklim yang tidak beraturan akan mengganggu sarana
transportasi laut. Frekuensi gangguan angin kencang / badai
angin barat dan angin timur yang silih berganti berpeluang
mengganggu lalu lintas perhubungan laut dan penyebarangan
antar pulau. Beberapa kejadian kecelakaan yang dialami
transportasi laut, baik tenggelamnya kapal maupun tabrakan
antar kapal. Bila dilihat dari faktor penyebab terjadinya
kecelakaan : karena sebab kesalahan manusia (human error)
41 %, bencana alam (force majeur) 38% dan akibat struktur
kapal (hull structure) 21%. Dikarenakan banyaknya tuntutan
dari berbagai pihak yang membutuhkan informasi kondisi
cuaca yang lebih cepat, lengkap, dan akurat. Badan
Meteorologi, Klimatologi dan Geofisika (BMKG) sebagai
perusahaan negara yang bertugas sebagai pengamat cuaca
mampu memprediksikan cuaca melalui metode konvensional
baik itu metoda statistik maupun dinamik yang mencakup
radius 5 – 10 km untuk 1 titik pengamatan di wilayah yang
dapat diprediksikan.
Nelayan yang merupakan salah satu mata pencaharian yang
berhubungan dengan pelayaran perlu mengetahui informasi
tentang cuaca dan kondisi laut. Gangguan cuaca yang silih
berganti berpeluang mengganggu pelayaran laut bagi para
nelayan hingga menyebabkan kecelakaan kapal nelayan.
Beberapa kejadian kecelakaan transportasi kapal nelayan, baik
tenggelamnya kapal maupun tersesatnya kapal nelayan. Kasus
kecelakaan laut 20 Juni 2007 akibat badai menimpa 14
nelayan di Kabupaten Pesisir Selatan, Sumatera Barat, 13
nelayan dinyatakan hilang di laut ketika kapal penangkap ikan
yang mereka pakai dihantam badai[11]. Pada 6 november 2011
Satu nelayan hilang akibat tabrakan kapal akibat gelombang
laut tinggi dan kabut tebal 3 mil dari pesisir Pantai Besuki
antara kapal motor rajawali dan kapal kecil nelayan[10] .
Pelayaran nelayan sebagai aktivitas mata pencaharian
bertumpu cuaca maritim. Berdasarkan kejadian kecelakaan
kapal nelayan akibat cuaca maritim maka informasi cuaca
maritim sedimikan penting untuk keselamatan pelayaran
nelayan. Disisi lain tidak semua nelayan mampu mengakses
informasi ini.
Pada penelitian sebelumnya, metode peramalan
menggunakan fuzzy clustering (Syamsul Arifin,2007) yang
mampu menghasilkan ketepatan sebesar 69% untuk data uji
sebanyak 304 hari. Selanjutnya prediksi cuaca maritim
menggunakan jaringan syaraf tiruan (Andre Kresnawan, 2008)
yang menghasilkan ketepatan prediksi untuk arus laut sebesar
60,7%, gelombang laut sebesar 72,4%, dan prediksi curah
hujan sebesar 26,122%. Kemudian prediksi cuaca maritim
menggunakan metode ANFIS (Ardian Candra P, 2010) yang
menghasilkan ketepatan prediksi 38,00% untuk curah hujan,
99,887% untuk arus laut, dan 99,913% untuk ketinggian
gelombang laut. Kemudian prediksi cuaca maritim dengan
metode fuzzy (Prita Meilanitasari, 2010) yang dilakukan pada
Tanjung Perak Surabaya untuk kelayakan pelayaran. 64,50%
untuk peramalan 1 jam ke depan, 61,70% untuk peramalan 3
jam ke depan, 60,20% untuk peramalan 6 jam ke depan,
57,40% untu peramalan 12 jam ke depan, dan 52,20% untuk
peramalan 24 jam ke depan dengan prosentase rata-rata
sebesar 59,20%. Nilai prosentase keakuratan sebesar 92,88%
2
untuk peramalan kecepatan arus 1 jam ke depan, 89,25 untuk
peramalan 3 jam ke depan, 87,50% untuk peramalan 6 jam ke
depan, 84,54% untuk peramalan 12 jam ke depan, dan 79,03%
untuk peramalan 24 jam kemudian (keesokan harinya) dengan
prosentase rata-rata sebesar 86,64%.
Tujuan penelitian ini adalah merancang sistem prediksi
cuaca maritim dengan logika fuzzy dan sistem informasi cuaca
maritim berdasarkan logika fuzzy. Informasi cuaca maritim
diharapkan mampu memberi edukasi dan informasi sebagai
pertimbangan untuk berlayar sehingga mampu menghindari
kecelakaan kapal nelayan akibat gangguan cuaca. Adapun
permasalahan dalam perancangan ini adalah bagaimana
merancang sistem prediktor cuaca maritim yang
diperuntukkan kepada para Nelayan Jawa Timur, serta
bagaimana merancang sistem informasi cuaca mairitim
menggunakan media Short message Service (SMS) dengan
modem jaringan GSM sebagai server SMS.
Pengambilan variabel cuaca dilakukan oleh BMKG II Perak
Surabaya. Variabel cuaca ini kemudian dihasilkan dengan
software windwave per-jam selama 3 tahun yaitu Januari 2008
hingga Maret 2011. Koordinat pengambilan data ini adalah
115.6179o E -7.901o S (Perairan Banyuwangi), 114o E-7.4o S
(Perairan Situbondo) dan 113o E-7.41o S (Perairan Pasuruan).
Lokasi Pengambilan data yaitu 6- 12 mil dari lepas pantai
yang merupakan jalur penangkapan ikan II berdasarkan
Peraturan Menteri Kelautan dan Perikanan RI Nomor
PER.02/MEN/2011.
I. .DASAR TEORI
A. Logika Fuzzy
Logika fuzzy adalah sebuah metodologi penyelesaian
masalah yang bisa diaplikasikan dengan bahasa manusia
(tinggi, rendah, panjang, pendek dan lain sebagainya) yang
memungkinkan untuk mengeliminasi kesukaran dari bahasa
matematis. Pada logika fuzzy dikenal himpunan fuzzy yang
merupakan suatu grup yang mewakili suatu kondisi atau
keadaan tertentu dalam suatu variabel fuzzy. Himpunan fuzzy
memiliki fungsi keanggotaan untuk setiap grup yang memiliki
suatu keadaan atau kondisi tertentu. Fungsi keanggotaan
(membership function) dalam bentuk suatu kurva yang
menunjukkan pemetaan titik-titik input data kedalam nilai
keanggotaannya (sering juga disebut dengan derajat
keanggotaan) yang memiliki interval antara 0 sampai 1. Setiap
fungsi keanggotaan didefinisikan dengan sebuah nama atau
label. Secara umum fungsi keanggotaan diberi label untuk
mempermudah menentukan suatu rentang data dari titik
minimum hingga titik maksimum. Contoh fungsi keangootaan
Gaussian ditunjukkan pada Gbr.1 dengan Persamaan (1).
 1  x  c 
 [ x]  exp  

 2   
µ
c
Gbr. 1. Bentuk Fungsi Keanggotaan Gaussian [6]
Sistem logika dengan masukkan menjadi keluaran
berdasarkan aturan IF-THEN disebut Sistem Inferensi Fuzzy
(FIS). Proses inferensi fuzzy dapat dibagi menjadi lima yaitu
fuzzifikasi, operasi logika fuzzy, implikasi, agregasi dan
defuzzifikasi. Fuzzifikasi merupakan suatu proses pemetaan
dari input berupa himpunan tegas (crisp) ke bentuk himpunan
fuzzy untuk semesta pembicaraan tertentu. Setelah terbentuk
fungsi keanggotaan masukkan dan keluaran maka dibentuk
aturan berdasarkan aturan IF-THEN. Bentuk umum dari
aturan yang digunakan dalam IF x is A THEN y is B dengan x
dan y adalah skalar, dan A dan B adalah himpunan fuzzy.
Proses ini dinyatakan sebagai implikasi. Jika masukkan
variabel fuzzy lebih dari satu pernyataan maka perlu digunakan
operator logika fuzzy. Operator logika fuzzy biasanya
menggunakan AND (minimum) dan OR (maksimum). Setelah
keluaran setiap aturan IF-THEN ditentukan pada bagian
implikasi maka selanjutnya adalah proses agregasi yaitu
kombinasi semua keluaran aturan IF-THEN menjadi daerah
fuzzy keluaran tunggal. Hasil dari agregasi sebagai masukkan
dari defuzzifikasi. Defuzzifikasi mempunyai fungsi yaitu
mentransformasikan kesimpulan yang bersifat fuzzy menjadi
sinyal keluaran tegas
Sistem inferensi fuzzy dapat dibangun menggunakan dua
metode yaitu metode Mamdani dan metode Sugeno. Kedua
metode ini berbeda dalam penentuan nilai keluaran FIS.
Keluaran FIS tipe Mamdani berupa fungsi keanggotaan
sedangkan Sugeno berupa keluaran tegas berupa konstanta
atau persamaan linear. Gbr. 2 menunjukkan proses inferensi
pada FIS tipe Sugeno dengan metode weighted average.
2
(1)
dimana µ adalah derajat keanggotaan, c adalah titik tengah
fungsi gaussian, dan  adalah standar deviasi.
Gbr. 2. Inferensi Fuzzy Sugeno[7]
Persamaan defuzzifikasi yang digunakan pada metode
weighted average adalah sebagai berikut :
𝑘𝑒𝑙𝑢𝑎𝑟𝑎𝑛 =
𝑛
𝑖=1 𝑤 𝑖 . 𝑧 𝑖
𝑁 𝑤
𝑖=1 𝑖
(2)
3
dimana wi merupakan derajat keanggotaan tiap aturan IFTHEN pada proses implikasi dan zi adalah nilai keluaran
tegas/konstanta pada bagian keluaran.
B. Fuzzy C-Means Clustering
Fuzzy clustering adalah salah satu teknik menentukan
cluster (grup) optimal dalam suatu ruang vektor yang
didasarkan pada bentuk normal Euclidian untuk jarak vektor.
Fuzzy clustering sangat berguna bagi pemodelan fuzzy
terutama dalam identifikasi aturan fuzzy. Salah satu metode
clustering adalah Fuzzy C-Means (FCM). Teknik ini
diperkenalkan oleh Jim Bezdek pada tahun 1981[6]. Konsep
dasar FCM adalah menentukan pusat cluster yang menandai
lokasi rata-rata untuk tiap cluster dengan memperbaiki pusat
cluster dan derajat keanggotaan untuk tiap cluster secara
berulang. Apabila suatu himpunan data (masukkan dan
keluaran data). Keluaran dari FCM bukan merupakan sistem
inferensi fuzzy (FIS). Namun merupakan deretan titik pusat
dari cluster. Informasi ini dapat digunakan untuk membangun
suatu sistem inferensi fuzzy.
Teknik FCM pada suatu data apabila terdapat suatu
himpunan data (input atau output data dari sistem fuzzy)
sebagai U = (u1, u2, u3, u4....un) . Derajat keanggotaan suatu titik
data ke k dicluster ke i adalah
(1 ≤ 𝑖 ≤ 𝑐, 1 ≤ 𝑘 ≤ 𝑛)
𝜇𝑓 𝑢𝑘 𝜖 0,1
(3)
Pada metode FCM, matriks partisi didenifisikan sebagai
berikut :
𝜇11 [𝑢1 ] ⋯ 𝜇𝑐1 [𝑢1 ]
⋮
⋱
⋮
𝜇𝑓 (𝑐) =
𝜇1𝑛 [𝑢𝑛 ] ⋯ 𝜇𝑐𝑛 [𝑢𝑛 ]
(4)
dengan 𝑐𝑖=1 𝜇𝑖𝑘 = 1 yang berarti bahwa jumlah nilai
keanggotaan suatu data pada semua cluster harus sama.
Fungsi subyektif iterasi ke t P(c) pada iterasi matriks partisi
adalah
𝑛
𝑘=1
𝑃𝑡 𝑐 =
𝑐
𝑖=1
𝜇𝑖𝑘
𝑤
𝑢𝑘 − 𝑣𝑓𝑖
2
(5)
dengan vfi adalah pusat vektor pada cluster fuzzy ke – i
𝑣𝑓𝑖 =
𝑛
𝑘−1
𝜇𝑖𝑘
𝑤
𝑛
𝑘−1
𝑢𝑘
𝜇𝑖𝑘
𝑤
(6)
dimana w adalah bobot suatu nilai keanggotaaan, uk-vfi
adalah bentuk Euclidian yang digunakan sebagai jarak dan vfi
Algoritma FCM pertama-tama dengan menetapkan maktriks
partisi secara random . Nilai w ditetapkan lebih dari 1 dengan
faktor koreksi sangat kecil misal 10-5 T. fungsi obyek uk tif
awal Pt(c) ditetapkan secara random lalu nomor iterasi
dinaikkan (t = t+1). Pusat vektor dihitung tiap-tiap cluster
untuk matriks partisi tersebut sebagai vfi pada persamaan (6).
Nilai keanggotaan dimodifikasi tiap-tiap jika yk≠ vfi maka
𝜇𝑖𝑘 𝑦𝑘 =
𝑐
𝑔=1
𝑢 𝑘 −𝑣𝑓𝑖
𝑢 𝑘 −𝑣𝑔𝑖
2
2
1/(𝑤 −1) −1
(6)
Dan jika yk =vfi maka 𝜇𝑖𝑘 𝑦𝑘 = 1 jika i =g dan𝜇𝑖𝑘 𝑦𝑘 = 0
jika i ≠ 0 sehingga menghasilkan matriks partisi yang baru
kemudian dihitung fungsi obyektif yang
𝑃𝑡 𝑐 =
𝑛
𝑘=1
𝑐
𝑖=1
𝜇𝑖𝑘
𝑤
𝑦 − 𝑣𝑓𝑖
Iterasi selesai jika 𝑃𝑡 𝑐 − 𝑃𝑡−1 𝑐
t > iterasi masksimal.
2
(7)
< 1 faktor koreksi atau
C. Unsur Cuaca dan Iklim
Cuaca dan iklim memiliki perbedaan definisi yang saling
berhubungan. Iklim akan mempengaruhi cuaca di suatu
tempat, sedangkan cuaca yang terjadi akan dipengaruhi iklim
tempat tersebut. Pada dasarnya Iklim adalah keadaan cuaca
rata-rata dalam waktu satu tahun yang penyelidikannya
dilakukan dalam waktu yang lama (minimal 30 tahun) dan
meliputi wilayah yang luas. Matahari adalah kendali iklim
yang sangat penting dan sumber energi di bumi yang
menimbulkan gerak udara dan arus laut. Kendali iklim yang
lain, misalnya distribusi darat dan air, tekanan tinggi dan
rendah, massa udara, pegunungan, arus laut dan badai
Sedangkan cuaca adalah keadaan udara pada saat tertentu dan
di wilayah tertentu yang relatif sempit dan pada jangka waktu
yang singkat. Cuaca itu terbentuk dari gabungan unsur cuaca
dan jangka waktu cuaca bisa hanya beberapa jam saja.
Contoh unsur cuaca yaitu angin dan suhu muka laut. Angin
adalah gerak udara yang sejajar dengan permukaan bumi.
Udara bergerak dari daerah bertekanan tinggi ke daerah
bertekanan rendah. Angin juga dapat dikatakan terjadi karena
adanya perbedaan suhu yaitu angin bergerak dari suhu rendah
ke suhu tinggi. Suhu muka laut di perairan Indonesia sebagai
indeks banyaknya uap air pembentuk awan di atmosfer. Jika
suhu muka laut dingin uap air di atmosfer menjadi berkurang,
sebaliknya jika suhu muka laut panas uap air di atmosfer
banyak. Cuaca maritim berada dalam kondisi cuaca ekstrim,
apabila suhu udara > 35 oC, angin kencang > 25 knot, tinggi
gelombang > 2.5 meter, hujan lebat > 50 mm/hari, 20
mm/jam.
D. Pengaruh Unsur Cuaca Terhadap Kondisi Laut
Unsur-unsur cuaca yang meliputi angin, kelembaban udara,
tekanan udara serta suhu berpengaruh pada keadaan
permukaan laut yang keduanya disebut gerakan air laut.
Dalam hal ini pengaruhnya terdapat pada ketinggian
gelombang serta kecepatan arus laut. Utamanya di permukaan
laut.
(1) Gelombang Laut :
Gelombang adalah pergerakan naik dan turunnya air dengan
arah tegak lurus permukaan air laut yang membentuk
kurva/grafik sinusoidal .Gelombang/ombak yang terjadi di
lautan dapat diklasifikasikan menjadi beberapa macam
tergantung kepada gaya pembangkitnya. Pembangkit
gelombang laut dapat disebabkan oleh angin (gelombang
angin), gaya tarik menarik bumi-bulan-matahari (gelombang
pasang-surut), gempa (vulkanik atau tektonik) di dasar laut
(gelombang tsunami), ataupun gelombang yang disebabkan
oleh gerakan kapal. Energi gelombang akan membangkitkan
arus dan mempengaruhi pergerakan sedimen dalam arah tegak
lurus pantai (cross-shore) dan sejajar pantai (longshore)..
4
Pengaruh kecepatan angin (Va) tehadap kemungkinan
tinggi gelombang laut (H) dan gelombang maksimum yang
dapat terjadi ditunjukkan oleh skala Beaufort.. Pada tahun
1804, Beaufort seorang Laksamana Inggris telah membuat
daftar kekuatan dan kecepatan angin yang digunakannya untuk
pelayaran [10]ditunjukkan pada Tabel 1.
Pada Tahun 1920, Kapten Captain H.P. Douglas CMG,
hydrographer untuk royal navy menentukan ketinggian
gelombang laut untuk navigasi dan digunakan sebagai
rekomendasi pada tahun 1929 untuk penggunaan secara
internasional[8] dengan skala 0 hingga 9 ditunjukkan pada
Tabel II
Skala
Kategori
Udara Tenang
Angin lemah
Angin
Angin
Angin sedang
Angin segar
Angin kuat
Angin ribut
Angin ribut sedang
Angin ribut kuat
0
1
2
3
4
5
6
7
8
9
Skala
0
1
2
3
4
5
6
7
8
9
TABEL I
SKALA BEAUFORT[8]
Va (knot)
0
1-3
4-6
7-10
11~16
17~21
22~ 27
28 ~33
34~ 40
41~ 47
H (meter)
(Maksimum)
0
0.1
0.2 (0.3)
0.6 (1.0)
1.0(1.5)
2.0(2.5)
3.0 (4.0)
4.0 (5.5)
5.5 (7.5)
7.0 (10.0)
TABEL II
SKALA KETINGGIAN GELOMBANG LAUT DOUGLAS 8]
Ketinggian Gelombang
Deskripsi
(meter)
0
Calm (glassy)
0 – 0.1
Calm (rippled)
0.1 – 0.5
Smooth (wavelets)
0.5 – 1.25
Slight
1.25 – 2.5
Moderate
2.5 – 4.0
Rough
4.0 – 6.0
Very rough
6.0 – 9.0
High
9.0 – 14.0
Very high
>14.0
Phenomenal
(2) Arus Laut :
Arus laut adalah gerakan massa air laut yang berpindah dari
satu tempat ke tempat lain. Arus di permukaan laut terutama
disebabkan oleh tiupan angin, sedang arus di kedalaman laut
disebabkan oleh perbedaan densitas massa air laut. Selain itu,
arus di permukan laut dapat juga disebabkan oleh gerakan
pasang surut air laut atau gelombang. Arus laut dapat terjadi
di samudera luas yang bergerak melintasi samudera (ocean
currents), maupun terjadi di perairan pesisir (coastal
currents). Arus samudera terbagi atas arus permukaan laut di
samudera (Surface Circulation) dan arus di kedalaman
samudera (Deep-water Circulation). Penyebab utama arus
permukaan laut di samudera adalah tiupan angin yang bertiup
melintasi permukaan Bumi melintasi zona-zona lintang yang
berbeda. Ketika angin melintasi permukaan samudera, maka
massa air laut tertekan sesuai dengan arah angin.
E. AT Command
AT Command berasal dari kata attention command.
Attention berarti peringatan atau perhatian, command berarti
perintah atau instruksi. Maksudnya ialah perintah atau
instruksi yang diimlmentasikan pada modem atau handset. AT
Command diperkenalkan oleh Dennis Hayes pada tahun
1977[9] yang dikenal dengan “smart modem”. Modem bekerja
pada baud rate 300 bps. Modem ini terdiri dari sederet
instruksi yang mengatur komunikasi dan fitur-fitur di
dalamnya. AT Command mempunyai dua mode, yaitu mode
data (data mode) dan mode perintah (command mode) .Untuk
berpindah dari mode data menuju mode perintah dipisahkan
oleh tiga tanda plus dan jeda selama satu detik.
Pada modem GSM terdapat suatu komponen wireless
modem/engine yang dapat diperintah antara lain untuk
mengirim suatu pesan SMS dengan protokol tertentu. Standar
perintah tersebut dikenal sebagai AT-Command, sedangkan
protokolnya disebut sebagai PDU (Protokol Data Unit).
Melalui AT-Command dan PDU inilah kita dapat membuat
mengirim/menerima SMS secara otomatis berdasarkan
program yang kita buat.
Dalam perkembangannya AT Command diterapkan pada
mobile handset (telepon sellular). Instruksi dasar AT
Command digunakan hampir oleh semua jenis telepon selular.
Beberapa instruksi yang ditambahkan sendiri pada handset
tersebut oleh vendor pembuatnya. Contoh penggunaan AT
command yaitu AT+CMGS = “No Tujuan” > Isi Pesan, untuk
mengirim SMS dari perangkat ke no tujuan. AT+CMGF =1
untuk mengubah format sms dari perangkat menjadi bentuk
text.
II. METODE PENELITIAN .
Sebagai dasar penelitian mengenai kelayakan pelayaran
nelayan yang hubungannya dengan cuaca adalah penelitianpenelitian yang telah dilakukan sebelumnya. Data yang
digunakan merupakan data unsur cuaca yang berasal dari data
sekunder yang dimiliki oleh BMKG II Perak Surabaya yang
diukur per jam selama lima tahun yang dimulai dari Januari
2008 hingga Maret 2011. Data yang dimaksud adalah data
masukan yang berupa kecepatan angin, gelombang laut, dan
arus laut didapatkan dari BMKG II Perak dengan metode
penggunaan software windwave. Koordinat pengambilan data
ini adalah 115.6179o E -7.901o S (Perairan Banyuwangi), 114o
E-7.4o S (Perairan Situbondo) dan 113o E-7.41o S (Perairan
Pasuruan). Data tersebut terdiri dari 3 variabel yaitu kecepatan
angin (knot) ketinggian gelombang laut (meter) dan kecepatan
arus laut (meter/detik). Data yang telah diperoleh itu dibagi
menjadi dua bagian, bagian pertama digunakan sebagai data
training Fuzzy C-Means dari tahun Januari 2008 sampai
Desember 2009 dan bagian kedua dijadikan sebagai data
validasi yaitu bulan Januari 2010 hingga November 2011.
Lokasi Pengambilan data yaitu 6-12 mil dari lepas pantai
yang merupakan jalur penangkapan ikan II berdasarkan
Peraturan Menteri Kelautan dan Perikanan Republik Indonesia
Nomor PER.02/MEN/2011. Populasi jumlah nelayan Jawa
Timur tersebar antara Pasuruan, Situbondo, dan Banyuwangi
5
dengan hasil tangkapan yang cukup besar untuk nelayan Jawa
Timur.. Dasar inilah yang digunakan untuk pengambilan data
pada lokasi tersebut.
Dalam mencapai tujuan penelitian dan memperoleh
pemecahan masalah, langkah-langkah kegiatan yang perlu
dilakukan secara urut dan sistematis. Adapun langkah-langkah
yang harus dilalui diberikan dalam diagram alir pada Gbr. 2
mulai
Studi literatur
Identifikasi
Masalah
Analisa Hasil dan
Pembahasan
Pengambilan data
Penyusunan
Laporan
Perancangan
prediktor cuaca
dengan logika
fuzzy
Validasi sistem
prediktor cuaca
dengan logika
fuzzy
tidak
Selesai
yang sifatnya kontinu. Cuaca adalah sesuatu yang kontinu
yang berarti perubahan cuaca berkisar tiap satu tahun sesuai
dengan perubahan musim. Fuzzifikasinya juga lebih halus.
Walaupun gaussian set range yang diberikan lebih lebar.
Pembentukan fungsi keanggotaan menggunakan Fuzzy
Inference System Editor (FIS Editor) tipe Sugeno-Takagi
karena keluaran yang diinginkan adalah berupa numerik.
Kurva gauss menggunakan dua parameter yaitu nilai domain
pusat kurva dan standar deviasi yang menunjukkan lebar
kurva. Penentuan nilai domain pusat kurva dengan
menggunakan clustering Fuzzy C-Means dan standar deviasi
didapatkan dari standar deviasi data. Contoh hasil titik tengah
dan standar deviasi serta label untuk fungsi keanggotaan
ditujukkan pada Tabel III Penentuan label untuk tiap-tiap
fungsi keanggotaan yang dibentuk berdasarkan skala Beaufort
untuk kecepatan angin, Skala Douglas untuk ketinggian
gelombang, dan keadaan laut secara global untuk kecepatan
arus. Contoh hasil fungsi keanggotaan untuk ketinggian
gelombang ditunjukkan pada Gbr. 3
Kesesuaian
Sistem Prediktor
cuaca
ya
No
Perancangan
Sistem Informasi
1
Pengujian Sistem
Informasi
tidak
Kesesuaian
Sistem Informasi
Cuaca Maritim
ya
2
Gbr.2 Alur Penelitian
3
TABEL III
HASIL TITIK TENGAH DARI CLUSTERING FUZZY C MEANS
Variabel
Standar
Fungsi
Titik
Deviasi
Keanggotaan
Tengah
Kecepatan
2.2277
LA(Light Air)
2
Angin (Knot)
2.2277
LB (Light Brezze)
4.47
2.2277
GB (Gentle Brezze)
7.6
2.2277
MB(Moderate
11
Breezze)
Ketinggian
0.2378
SM (Smooth)
0.5
gelombang 1 0.2378
SL (Slight)
0.7806
jam
sebelum 0.2378
SL2 (Slight)
1.14
(Ht-1)(m)
0.2378
Moderate (M)
1.6
Ketinggian
0.2378
SM (Smooth)
0.5
Gelombang
0.2378
SL (Slight)
0.7806
Aktual
0.2378
SL2(Slight)
1.14
(Ht-1(m)
0.2378
Moderate (M)
1.6
F. Perancangan Prediksi Cuaca Maritim dengan Logika
Fuzzy
Perancangan logika fuzzy untuk penelitian ini dimulai dari
proses pengelompokan (cluster) yang menggunakan Fuzzy C
Means yang kemudian digunakan FIS editor untuk
perancangannya. Variabel cuaca didapatkan dari data cuaca
yang berasal dari BMKG. Variabel cuaca yang dibutuhkan
dapat dilihat dari kebutuhan untuk kelayakan pelayaran. Untuk
faktor kelayakan pelayaran sendiri yang paling berpengaruh
adalah ketinggian gelombang laut, dan kecepatan arus laut.
Kedua variabel tersebut digunakan untuk keluaran logika
fuzzy. Sedangkan variabel yang mempengaruhi ketinggian
gelombang dan arus laut dapat berupa kecepatan angin,
ketinggian gelombang aktual, ketinggian gelombang satu jam
sebelumnya, kecepatan arus laut aktual , dan kecepatan arus
satu sebelumnya yang akan digunakan sebagai masukan[12].
Variabel cuaca yang didapatkan dari BMKG Perak I dan II
selama dua tahun kemudian dikelompokkan menggunakan
Fuzzy C-Means untuk memudahkan menentukan kelas dan
akan digunakan pada pembentukan fungsi keanggotaan pada
Fuzzy Inference System (FIS) menggunakan Fuzzy Toolbox.
(2) Penentuan Aturan:
Data yang telah dikelompokkan berdasarkan Fuzzy CMeans clustering kemudian dibuat aturan yang disebut aturan
jika - maka (If Then) dengan contoh bentuk aturan untuk
prediksi kecepatan arus dan ketinggian gelombang sebagai
berikut
Cu(t+1)f : IF (V(t) is MB and Cu(t) is F and Cu(t-1) is F
THEN Cu(t+1) = (fr(U(t), Cu(t),Cu(t-1))
(1) Penentuan Fungsi Keanggotaan
Penggunaan fungsi keanggotaan berdasarkan pada bentuk
kurva. Kurva yang dipakai pada simulasi kelayakan cuaca
pada pelayaran ini menggunakan kurva gaussmf. Hal ini
dikarenakan penggunaan kurva gaussian digunakan untuk data
H(t+1)f : IF (U(t) is LA and H(t) is SM and H(t-1) is SM
THEN Cu(t+1) = (fr(U(t), H(t),H(t-1))
(3) Validasi :
Setelah pemodelan menggunakan logika fuzzy didapatkan,
langkah selanjutnya adalah validasi atau pengujian. Pengujian
Gbr.3 Fungsi keanggotaan gelombang
6
logika fuzzy ini menggunakan data bulan Januari hingga
November tahun 2010 hinggga yang berjumlah 7740 data
yang diambil per jam. Hasil prediksi akan dibadingkan dengan
keadaan sebenarnya. Data hasil keluaran dari logika fuzzy
kemudian dibahasakan sesuai dengan fungsi keanggotaan
yang telah ditentukan sebelumnya. Hasil pemodelan kemudian
dibahasakan dan menggunakan cara yang sama dengan
penentuan. Apabila data sebenarnya adalah “SMOOTH” maka
hasil pemodelan juga harus “SMOOTH” Dengan demikian
akan terlihat besar prosentase keakurasian logika yang telah
dibuat
G. Perancangan Sistem Simulasi Prediktor Cuaca Dengan
Visual Basic 6
Pemodelan fuzzy yang didapatkan dan diuji validitas maka
simulator prediksi dibuat dengan menggunakan Visual Basic
6.0. Software kelayakan pelayaran ini terdiri atas variabel
yang mempengaruhi ketinggian gelombang dan kecepatan
arus laut yaitu ketinggian gelombang laut sebelum, kecepatan
arus laut, dan kecepatan angin. Simulator prediksi kelayakan
perlayaran ditunjukkan pada Gbr. 4. Pada simulator prediksi
cuaca dilakukan validasi dengan data keadaan sebenarnya.
Simulator Visual Basic 6 menggunakan variabel numerik
dan dibahasakan menjadi linguistik dengan hasil prediksi
berupa pemodelan logika fuzzy Sugeno yang dapat dibentuk
persamaan matematisnya. Setelah validasi sesuai data
sebenarnya kemudian dilakukan perancangan sistem informasi
dengan basis Short Message Service menggunakan Visual
Basic 6.
Sistem informasi cuaca yang dirancang berbasis SMS
dengan menggunakan modem GSM sebagai server SMS.
Sistem simulator prediksi fuzzy yang digunakan diintegrasi
dengan menggunakan piranti berupa modem SMS. Sistem
informasi cucaca maritim ini dirancang dengan menggunakan
software Visual Basic 6 yang dapat mengirimkan SMS secara
otomatis berdasarkan SMS yang diterima oleh modem GSM.
Tampilan Untuk Simulator SMS autoresponder ditunjukkan
pada Gbr. 5. Pada simulator Visual Basic 6 ini dapat dipilih
input data masukkan prediksi cuaca maritim dari database
ataupun secara manual. Database yang digunakan adalah
tahun 2010 Selama satu tahun untuk variabel masukkan untuk
prediksi cuaca maritim.
Gbr. 5. Tampilan software simulator prediksi ketinggian gelombang dan
kecepatan arus dengan menggunakan Visual Basic 6
III. ANALISA DATA DAN PEMBAHASAN
Logika fuzzy menggunakan bentuk fungsi keanggotaan
berupa gaussian mendapatkan bentuk Gaussian pada
diperlukan nilai titik tengah dan standar deviasi masingmasing fungsi keanggotaan. Nilai tersebut didapatkan dari
hasil clustering menggunakan Fuzzy C Means. Nilai keluaran
dengan menggunakan algoritma evalfis dari software Matlab
sedangkan untuk kelayakan pelayaran menggunakan Simulink
pada Matlab
Gbr. 4. Tampilan software simulator prediksi ketinggian gelombang dan
kecepatan arus dengan menggunakan Visual Basic 6
H. Perancangan Sistem Informasi Cuaca Maritim dengan
Media Komunikasi Short Message Service
Perancangan sistem informasi cuaca maritim ini dengan
menggunakan perintah AT Command.
AT command
merupakan perintah atau instruksi yang diimplementasikan
pada modem. Pada perancangannya diharapkan mampu
mengirimkan SMS secara otomatis apabila menerima SMS.
Oleh karena itu
AT command yang digunakan untuk
mengirim SMS adalah AT+CMGS untuk mengirim perintah
mengirimkan SMS, membaca sms yang diterima menggunakan
AT+CMGR , dan menghapus SMS dengan AT+ CMGD.
Konsep yang digunakan untuk merancang informasi cuaca
maritim dengan media komunikasi SMS. Modem GSM yang
digunakan pada perancangan ini adalah Huawei k3765 dengan
kecepatan setting port yaitu 9600 bit/detik.
L. Prediksi Ketinggian Gelombang
Data yang digunakan untuk mengetahui ketepatan prediksi
ketinggian gelombang laut merupakan data dua bulan yaitu
Januari 2010 dan November 2010 yang terdiri dari data per
jam sejumlah. Data yang didapatkan dari BMKG merupakan
data hasil penggunaan WindWave kemudian dibandingkan
dengan hasil pemodelan menggunakan logika fuzzy. Data
tersebut merupakan data untuk titik 115.6179o E -7.901o S
(Perairan Banyuwangi), 114o E-7.4o S (Perairan Situbondo)
dan 113o E-7.41o S (Perairan Pasuruan). Hasil prediksi dan
sebenarnya kemudian dibandingkan berdasarkan kesamaan
fungsi keanggotaan.
Pemodelan logika fuzzy yang digunakan untuk memprediksi
satu jam, enam jam, dua belas jam, dan dua puluh empat jam
kemudian. Hasil perbandingan antara ketinggian gelombang
sebenarnya dengan ketinggian gelombang prediksi untuk data
Perairan Bayuwangi, Situbondo dan Pasuruan ditunjukkan
7
pada Gbr. 6, Gbr. 7 dan Gbr. 8 dimana sumbu menunjukkan
waktu dan sumbu y menunjukkan ketinggian gelombang laut
dalam meter dengan warna grafik berwarna biru merupakam
data ketinggian gelombang sebenarnya 1 jam kedepan dari
BMKG dan grafik berwarna merah merupakan hasil prediksi
ketinggian gelombang.
Gbr. 6. Grafik hasil prediksi (merah) dan data validasi (biru) ketinggian
gelombang untuk 1 jam kedepan Perairan Banyuwangi
Gbr. 7. Grafik hasil prediksi (merah) dan data validasi (biru) ketinggian
gelombang untuk 1 jam kedepan Perairan Situbondo
Gbr. 8. Grafik hasil prediksi (merah) dan data validasi (biru) ketinggian
gelombang untuk 1 jam kedepan Perairan Pasuruan
TABEL IV
HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KETINGGIAN
GELOMBANG DENGAN DATA SEBENARNYA PADA PERAIRAN BANYUWANGI
Jumlah
Jumlah Data
Waktu
Prosentase
No
Data
Prediksi yang
Prediksi
Akurasi
Validasi
Memiliki
1
2
3
4
1 Jam
6 Jam
12 Jam
24 Jam
7740
7740
7740
7740
Kesamaan Fungsi
Keanggotaan
dengan Data
Validasi
7275
6828
6297
6140
93.99%
88.21 %
81.35 %
79.32 %
TABEL V
HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KETINGGIAN
GELOMBANG DENGAN DATA SEBENARNYA PADA PERAIRAN SITUBONDO
Jumlah Data
Prediksi yang
Jumlah
Memiliki
Waktu
Prosentase
No
Data
Kesamaan Fungsi
Prediksi
Akurasi
Validasi
Keanggotaan
dengan Data
Validasi
1
1 Jam
7740
7361
95.10%
2
6 Jam
7740
7126
92.07%
3
12 Jam
7740
6895
89.08%
4
24 Jam
7740
6466
83.54%
TABEL VI
HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KETINGGIAN
GELOMBANG DENGAN DATA SEBENARNYA PADA PERAIRAN PASURUAN
Jumlah Data
Prediksi yang
Jumlah
Memiliki
Waktu
Prosentase
No
Data
Kesamaan Fungsi
Prediksi
Akurasi
Validasi
Keanggotaan
dengan Data
Validasi
1
1 Jam
7740
7312
94.47%
2
6 Jam
7740
7374
95.27%
3
12 Jam
7740
6968
90.02%
4
24 Jam
7740
6807
87.95%
J. Prediksi Kecepatan Arus
Sama seperti ketinggian gelombang, perancangan model
fuzzy prediksi kecepatan arus dibanding dengan data
sebenarnya. Data yang digunakan untuk pengecekan ketepatan
prediksi ketinggian kecepatan arus merupakan data satu per
jam yaitu pada Januari 2010 hingga November 2010 yang
terdiri dari data per satu jam yang berjumlah 7740 data dan
data untuk training dari bulan Januari 2008 sampai Desember
2009. Data yang didapatkan dari BMKG merupakan data
hasil penggunaan WindWave kemudian dibandingkan dengan
hasil pemodelan menggunakan logika fuzzy. Data tersebut
merupakan data untuk titik 114.6179 E -7.901000 S yang akan
disebut sebagai titik pengamatan perairan Banyuwangi. Hasil
prediksi dan sebenarnya kemudian dibandingkan berdasarkan
kesamaan fungsi keanggotaan .
Pemodelan logika fuzzy yang digunakan untuk
memprediksi satu jam, enam jam, dua belas jam, dan dua
puluh empat jam kemudian. Hasil perbandingan antara
kecepatan arus sebenarnya dengan kecepatan arus prediksi
untuk data Perairan Bayuwangi, Situbondo dan Pasuruan
ditunjukkan pada Gbr. 9, Gbr. 10, dan Gbr. 11 dimana sumbu
menunjukkan waktu dan sumbu y menunjukkan ketinggian
gelombang laut dalam meter dengan warna grafik berwarna
biru merupakam data ketinggian gelombang sebenarnya 1 jam
8
kedepan dari BMKG dan grafik berwarna merah merupakan
hasil prediksi kecepatan arus.
No
1
2
3
4
Gbr. 9. Grafik hasil prediksi (merah) dan data validasi (biru) kecepatan arus
untuk 1 jam kedepan Perairan Banyuwangi
No
1
2
3
4
No
Gbr. 10. Grafik hasil prediksi (merah) dan data validasi (biru) kecepatan
arus untuk 1 jam kedepan Perairan Situbondo
Gbr. 11. Grafik hasil prediksi (merah) dan data validasi (biru) kecepatan
arus 1 jam kedepan Perairan Pasuruan
1
2
3
4
TABEL VII
HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KECEPATAN ARUS
DENGAN DATA VALIDASI PADA PERAIRAN BANYUWANGI
Jumlah Data
Prediksi yang
Jumlah
Memiliki
Waktu
Prosentase
Data
Kesamaan Fungsi
Prediksi
Akurasi
Validasi
Keanggotaan
dengan Data
Validasi
1 Jam
7740
7479
96.62%
6 Jam
7740
7118
91.96%
12 Jam
7740
6745
87.14%
24 Jam
7740
6506
84.056%
TABEL VII
HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KECEPATAN ARUS
DENGAN DATA SEBENARNYA PADA PERAIRAN SITUBONDO
Jumlah Data
Prediksi yang
Jumlah
Memiliki
Waktu
Prosentase
Data
Kesamaan Fungsi
Prediksi
Akurasi
Validasi
Keanggotaan
dengan Data
Validasi
1 Jam
7740
7534
97.33%
6 Jam
7740
7071
91.34%
12 Jam
7740
6966
89.98 %
24 Jam
7740
6696
86.50%
TABEL IX
HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KECEPATAN ARUS
DENGAN DATA SEBENARNYA PADA PERAIRAN PASURUAN
Jumlah Data
Prediksi yang
Jumlah
Memiliki
Waktu
Prosentase
Data
Kesamaan Fungsi
Prediksi
Akurasi
Validasi
Keanggotaan
dengan Data
Validasi
1 Jam
7740
7384
95.38%
6 Jam
7740
7286
94.12%
12 Jam
7740
6755
87.26%
24 Jam
7740
6610
85.39%
K. Kelayakan Pelayaran
Aturan mengenai kelayakan pelayaran diatur di dalam UU
Pelayaran No.17 tahun 2008. UU tersebut terdapat persyaratan
untuk kapal dapat berlayar. Namun di dalam UU tersebut tidak
terdapat penjelasan khusus mengenai kondisi cuaca yang baik
untuk pelayaran. Di bidang pelayaran,
aturan khusus
mengenai keadaan cuaca untuk pelayaran tidak diatur secara
tertulis di dalam suatu aturan, walau hal tersebut sangat
penting untuk keselamatan. Dinas perhubungan memiliki
suatu badan yang dinamakan Syahbandar yang bertugas untuk
menjalankan dan
melakukan pengawasan terhadap
dipenuhinya ketentuan peraturan perundang-undangan untuk
menjamin keselamatan dan keamanan pelayaran (UU No.17 th
2008). Syahbandarlah yang memberikan perijinan berlayar
untuk kapal-kapal yang berlabuh. Cuaca untuk kelayakan
pelayaran pada penelitian ini didasarkan dari kepakaran yaitu
orang yang berwenang di bidang ke- Syahbandaran. Kondisi
laut yang paling berpengaruh dalam kelayakan pelayaran
kapal adalah kecepatan angin, ketinggian gelombang, dan
kecepatan arus laut (Bp Bambang Supriyanto.Kabag keSyahbandaran). Adapun ketentuan kapal dinyatakan layak
9
untuk berlayar dinyatakan dalam bahasa linguistik pada Tabel
X.
No
1
2
3
4
5
TABEL X
VARIABEL KELAYAKAN PELAYARAN [9]
Keadaan Laut Maksimal
GT Kapal
Ketinggian Gelombang
Kecepatan Arus
1-7 GT
Smooth
Slow
7- 175 GT
Slight
Slight
175-500 GT
Moderate
Average
500-5000 GT
Rough
Fast
500-10000 GT
Very Rough
Very Fast
Penggunaan
kepakaran
kesyahbandaraan
tersebut
digunakan untuk aturan kelayakan para nelayan jawa timur
dengan tiga titik lokasi perairam. Pada lokasi titik pengamatan
yang merupakan wilayah penangkapan II yaitu 12 mil dari
lepas pantai dengan apal nelayan yang boleh melakukan
penangkapan adalah 1- 10 GT dan 10- 30 GT . Sehingga pada
Tabel X tersebut maka kelayakan pelayaran untuk kapal
nelayan 1- 10 GT adalah Smooth pada ketinggian gelombang
dan Slow pada Average sedangkan kapal nelayan 10-30 GT
adalah Slight pada ketinggian gelombang dan Slight pada
kecepatan arus
Simulasi kelayakan pelayaran dengan menggunakan
simulink yang ditunjukkan pada Gbr. 12. Jumlah kesamaan
waktu kelayakan pelayaran dibandingkan dengan data
validasi. Apabila bernilai 1 berarti boleh berlayar dan apabila
bernilai 0 berarti dilarang berlayar. Hasil Kelayakan Pelayaran
untuk masing-masing titik pengamatan ditunjukkan pada
masing-masing ditunjukkan pada Tabel XI-XIII.
Gbr. 12. Sistem informasi cuaca maritim dengan masukkan dari database
saat menerima pesan
N
o
1
2
3
4
TABEL XI
HASIL KELAYAKAN PELAYARAN PERAIRAN BANYUWANGI
Kesamaan
Waktu
Persen
GT Kapal
Kelayakan
Prediksi
Akurasi
Pelayaran
1-10 GT
7299
94.30%
1 Jam
10-30 GT
7707
99.57%
1-10 GT
7141
92.26%
6 Jam
10-30 GT
7675
99.16%
1-10 GT
6696
86.51%
12 Jam
10-30 GT
7645
98.77%
1-10 GT
6958
89.90%
24 Jam
10-30 GT
7582
97.96%
N
o
1
2
3
4
No
1
2
3
4
STABEL XII
HASIL KELAYAKAN PELAYARAN PERAIRAN SITUBONDO
Kesamaan
Waktu
Persen
GT Kapal
Kelayakan
Prediksi
Akurasi
Pelayaran
1-10 GT
7409
95.72%
1 Jam
10-30 GT
7701
99.50%
1-10 GT
7289
94.17%
6 Jam
10-30 GT
7671
99.11%
1-10 GT
7094
91.65%
12 Jam
10-30 GT
7641
98.72%
1-10 GT
6936
89.61%
24 Jam
10-30 GT
7587
98.02%
TABEL XIII
PAPER HASIL KELAYAKAN PELAYARAN PERAIRAN PASURUAN
Kesamaan
Waktu
Persen
GT Kapal
Kelayakan
Prediksi
Akurasi
Pelayaran
1-10 GT
7265
93.86%
1 Jam
10-30 GT
7707
99.57%
1-10 GT
7308
94.42%
6 Jam
10-30 GT
7698
99.46%
1-10 GT
7194
92.95%
12 Jam
10-30 GT
7707
99.57%
1-10 GT
6605
85.34%
24 Jam
10-30 GT
7656
98.91%
L.Sistem Prediktor Cuaca Maritim
Prediksi cuaca maritim dengan menggunakan Visual Basic
6 maka dilakukan validasi dengan data Januari 2010 hingga
November 2010 sesuai perancangan fuzzy pada Matlab.
Jumlah kesamaan fungsi keanggotaan dengan data validasi
sehingga didapat dihitung ketepatannya. Hasil kesamaan
fungsi keanggotan untuk ketinggian gelombang dan kecepatan
pada data Perairan Banyuwangi, Situbondo dan Pasuruan
ditunjukkan pada tabel XIV-XVII
Pada hasil pemodelan logika fuzzy pada Visual Basic 6
untuk cuaca maritim Perairan Banyuwangi didapatkan
prosentase akurasi yang hampir sama dengan sistem fuzzy
pada Matlab karena pembentukkan persamaan matematis dari
FIS Sugeno sebagai hasil konsekuensi dari logika fuzzy
Sugeno sedikit mempengaruhi akurasi sistem namun dapat
diterima. Begitu juga pada hasil Perairan Pasuruan dan
Situbondo yang menghasilkan akurasi yang hampir sama
dibandingkan dengan pemodelan logika pada Matlab yang
ditunjukkan. Sehingga prediktor cuaca maritim yang dibentuk
pada Visual Basic 6 telah mampu digunakan sebagai prediktor
cuaca maritim untuk Nelayan Jawa Timur.
TABEL XIV
KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KETINGGIAN GELOMBANG
PADA VISUAL BASIC 6 DENGAN DATA SEBENARNYA PADA PERAIRAN
BANYUWANGI
Jumlah Data
Prediksi yang
Memiliki
Waktu
Prosentase
No
Kesamaan Fungsi
Prediksi
Akurasi
Keanggotaan
dengan Data
Validasi
1
1 Jam
7358
95.06%
2
6 Jam
7070
91.34%
3
12 Jam
6654
85.97%
4
24 Jam
6284
81.19%
10
TABEL XV
HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KECEPATAN ARUS
PADA VISUAL BASIC 6 DENGAN DATA SEBENARNYA PADA PERAIRAN
BANYUWANGI
Jumlah Data
Prediksi yang
Memiliki
Waktu
Prosentase
No
Kesamaan Fungsi
Prediksi
Akurasi
Keanggotaan
dengan Data
Validasi
1
1 Jam
7358
95.06%
2
6 Jam
7070
91.34%
3
12 Jam
6654
85.97%
4
24 Jam
6284
81.19%
TABEL XVI
HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KETINGGIAN
GELOMBANG PADA VISUAL BASIC 6 DENGAN DATA SEBENARNYA PADA
PERAIRAN SITUBONDO
Jumlah Data
Prediksi yang
Memiliki
Waktu
Kesamaan
Prosentase
No
Prediksi
Fungsi
Akurasi
Keanggotaan
dengan Data
Validasi
1
1 Jam
7414
95.79%
2
6 Jam
7226
93.36%
3
12 Jam
6991
90.32%
4
24 Jam
6695
86.50%
TABEL XVII
HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KECEPATAN ARUS
PADA VISUAL BASIC 6 DENGAN DATA SEBENARNYA PADA PERAIRAN
SITUBONDO
No
Waktu
Prediksi
1
2
3
4
1 Jam
6 Jam
12 Jam
24 Jam
Jumlah Data
Prediksi yang
Memiliki
Kesamaan
Fungsi
Keanggotaan
dengan Data
Validasi
7353
7387
7091
6554
Prosentase Akurasi
TABEL XIV
HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KETINGGIAN
GELOMBANG PADA VISUAL BASIC 6 DENGAN DATA SEBENARNYA PADA
PERAIRAN PASURUAN
Jumlah Data
Prediksi yang
Memiliki
Waktu
Prosentase
No
Kesamaan Fungsi
Prediksi
Akurasi
Keanggotaan
dengan Data
Validasi
1
1 Jam
7143
92.29%
2
6 Jam
6975
90.12%
3
12 Jam
6743
87.12%
4
24 Jam
6557
84.72%
M. Sistem Informasi Cuaca Maritim dengan Media Short
Message Service
Sistem informasi cuaca maritim dengan media Short
Message Service (SMS) dilakukan pengujian dengan metode
dari data dan m asukkan secara manual. Berikut hasil
simulasi dengan menggunakan media dengan SMS dengan
dari masukkan data yang telah diperoleh dengan format data
Microsoft Excel yang ditunjukkan pada Gbr. 13 dengan
menggunakan database tahun 2010. Variabel data didapatkan
masukkan kecepatan arus, ketinggian gelombang, dan
kecepatan angin yang pada 4 Desember 2011 dengan waktu
pengukuran jam 16. Prediksi keadaan laut dengan logika fuzzy
untuk perairan Situbondo didapatkan sesuai ditunjukkan Gbr.
14. Gbr. 15 menunjukkan hasil pesan yang apabila mengirim
pesan SITUBONDO ke sistem informasi cuaca maritim
tersebut. Pesan SMS yang diterima oleh pengirim telah sesuai
dengan hasil prediksi pada program prediksi sistem informasi
cuaca maritim. Apabila pesan dikirim kepada sistem informasi
cuaca berupa BANYUWANGI atau PASURUAN maka hasil
yang diterima adalah prediksi cuaca maritim untuk Perairan
Banyuwangi atau Pasuruan. Hasil Pesan SMS yang diterima
dengan ditunjukkan Gambar 15 elah sesuai dengan hasil
prediksi pada lembar Visual Basic 6 dimana masukkan
variabel secara otomatis dari Microsoft Excel berdasarkan
waktu saat program berjalan.
95 %
95.44 %
91.61 %
84.68 %
TABEL XVIII
HASIL KESAMAAN FUNGSI KEANGGOTAAN PREDIKSI KETINGGIAN
GELOMBANG PADA VISUAL BASIC 6 DENGAN DATA SEBENARNYA PADA
PERAIRAN PASURUAN
Jumlah Data
Prediksi yang
Memiliki
Waktu
Prosentase
No
Kesamaan Fungsi
Prediksi
Akurasi
Keanggotaan
dengan Data
Validasi
1
1 Jam
7414
95.79%
2
6 Jam
7226
93.36%
3
12 Jam
6991
90.32%
4
24 Jam
6695
86.50%
Gbr. 13. Sistem informasi cuaca maritim dengan masukkan dari database
saat menerima pesan
11
Gbr. 14. Hasil masukkan variabel dari database Microsoft Excel dan hasil
prediksi cuaca maritim
jam ke depan, 81,35% untuk prediksi 12 jam ke
depan, dan 79,32% untuk prediksi 24 jam.
 Perairan Pasuruan untuk prediksi kecepatan arus
prosentase keakuratan 95,38% untuk 1 jam ke depan,
94,12 % untuk prediksi 6 jam ke depan, 87,26%
untuk prediksi 12 jam ke depan, 85,39 % untuk
prediksi 24 jam ke depan.Prediksi ketinggian
gelombang prosentase ketepatan 94,47 % untuk
prediksi 1 jam ke depan, 95,27 % untuk prediksi 6
jam ke depan, 90,02% untuk prediksi 12 jam ke
depan, dan 87,95% untuk prediksi 24 jam ke depan.
 Perairan Situbondo untuk prediksi kecepatan arus
prosentase keakuratan 97,33% untuk 1 jam ke depan,
91,34 % untuk prediksi 6 jam ke depan, 89,98%
untuk prediksi 12 jam ke depan, 86,15 % untuk
prediksi 24 jam ke depan. Prediksi ketinggian
gelombang prosentase ketepatan 95,1 % untuk
prediksi 1 jam ke depan, 92,07 % untuk prediksi 6
jam ke depan, 89,08% untuk prediksi 12 jam ke
depan, dan 83,54% untuk prediksi 24 jam ke depan.
 Prosentase kesesuaian rata-rata kelayakan pelayaran hasil
kelayakan data validasi sebanyak 7740 data untuk Perairan
Banyuwangi untuk nelayan 0-10 GT yaitu 90,74% untuk
nelayan 10-30 GT adalah 98,87%, Perairan Situbondo
yaitu 92,79 % untuk nelayan 0-10 GT, 98,84% untuk
nelayan 10-30 GT, dan Perairan Pasuruan yaitu 91,64 %
untuk nelayan 0-10 GT dan 99,38 % untuk 10-30 GT.
 Perancangan Sistem Informasi Cuaca Maritim dengan
media komunikasi SMS dengan hasil pesan sesuai dengan
hasil prediksi pada pada lembar program Visual Basic 6.
V. DAFTAR PUSTAKA
[1]
Gbr. 15. Grafik hasil prediksi (merah) dan data validasi (biru) ketinggian
gelombang untuk 1 jam kedepan Perairan Banyuwangi
Kesesuaian hasil pesan untuk masukkan variabel secara
masukkan database telah sesuai dengan hasil pada program
sehingga dapat dikatakan sistem informasi cuaca maritim
untuk nelayan telah berjalan dengan baik.
[2]
[3]
IV. KESIMPULAN
Berdasarkan studi dan perancangan
dilakukan, dapat disimpulkan bahwa
yang telah
 Prosentase kesesuaian data antara data yang berasal
dari BMKG dengan data hasil pemodelan fuzzy untuk
data sebanyak 7740 pada bulan Januari 2010 hingga
November 2010 adalah sebagai berikut:

Perairan Banyuwangi untuk prediksi kecepatan arus
prosentase keakuratan 96,62% untuk 1 jam ke depan,
91,96 % untuk prediksi 6 jam ke depan, 87,14%
untuk prediksi 12 jam ke depan, 84,06 % untuk
prediksi 24 jam ke depan. Prediksi ketinggian
gelombang prosentase keakuratan 93,99% untuk
prediksi 1 jam ke depan, 88,21% untuk prediksi 6
[4]
[5]
[6]
[7]
[8]
Arifin, Syamsul. 2009. “Aplikasi Sistem Logika Fuzzy
Pada Peramalan Cuaca Di Indonesia Untuk Mendeteksi
Kejadian Anomali Tinggi Gelombang Laut”.
Candra, Ardian. 2009. Tugas akhir: “Perancangan
Model Adaptive Nuero Fuzzy Inference System untuk
Memprediksi Cuaca Maritim”.Teknik Fisika ITS.
Jaya, Riki. 2011. Tugas Akhir: “Perancangan Prediktor
Cuaca Maritim Dengan Metode Adaptive Neuro Fuzzy
Inference System (Anfis) Untuk Meningkatkan
Jangkauan Ramalan, Studi Kasus: Pelayaran Surabaya
Banjarmasin”. Teknik Fisika ITS.
Kresnawan, Andre. 2009. Tugas Akhir: “Penerapan
model Jaringan Syaraf Tiruan untuk Memprediksi
Gangguan Cuaca maritim”. Teknik Fisika ITS.
Kusumadewi, Sri. 2006. Analisa dan Desain Sistem
Fuzzy. Yogyakarta: graha Ilmu
MATLAB 2010b. 2010. Fuzzy Logic Toolbox Help.
Meilanitasari, Prita. 2010. Tugas Akhir : “Prediksi
Cuaca Menggunakan Logika Fuzzy untuk Kelayakan
Pelayaran di Tanjung Perak Surabaya”. Teknik Fisika
ITS.
MetOffice, Fact Sheet No. 6 Of Beaufort (Version1),
2010. Devon : United Kingdom . [pdf]
12
[9]
[10]
[11]
[12]
<URL:http://www.metoffice.gov.uk/media/pdf/b/7/Fact
_sheet_No._6.pdf>
<URL:www.wikipedia.ord/wiki/AT_Command
<URL:http://news.okezone.com/read/2011/11/06/340/5
25639/tabrakan-kapal-satu-nelayan-hilang>
<URL:http://www.tempo.co.id/hg/nusa/sumatera/2007/
06/20/brk,20070620-102237,id.html>
Georgios Sylaios, Frederic Bouchette, Vassilios
A.Tsihrintzis, Clea Denamiel. 2008.” A fuzzy inference
system for wind-wave modelling”. Science Direct.
BIODATA PENULIS
Nama
TTL
Alamat
: Arief Hanifan P
: Lumajang, 3 April 1989
: Jln Mataram Perum
Milenia Blok F No.4
Jember
Email
:
[email protected]
Pendidikan :
SD N Pembangunan 1 (1995 – 2001)
SMPN 5 Probolinggo (2001 – 2004)
SMAN 1 Probolinggo (2004 – 2007)
Teknik Fisika ITS (2007 – Sekarang