ITS Undergraduate 16172 2407100011 Paperpdf

PERANCANGAN PREDIKTOR CUACA MARITIM DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) UNTUK MENINGKATKAN JANGKAUAN RAMALAN, STUDI KASUS : PELAYARAN SURABAYA-BANJARMASIN (Riky Jaya Sampurna, Ir. Syamsul Arifin, MT., Dr .Bambang Lelono W,ST.MT) Jurusan Teknik Fisika – Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih – Sukolilo, Surabaya 60111 Abstrak

Meningkatnya frekuensi kecelakaan transportasi laut di Indonesia akibat cuaca buruk menjadi hal penting untuk diselesaikan, sehingga peramalan dengan metode ANFIS menjadi solusi yang dapat digunakan selain menggunakan metode statistik. Dari rancangan prediktor cuaca maritim menggunakan ANFIS untuk prediksi kecepatan arus laut dengan ANFIS time seriesdihasilkan nilai RMSE validasi 0.33140 cm/s pada perairan Surabaya, 2.2038 cm/s pada titik A, 3.61466 pada titik B, 1.55217 cm/s pada laut Jawa, 1.1298 cm/s pada titik C, dan 0.4703 cm/s pada perairan Banjarmasin. Untuk prediksi kecepatan arus laut dengan ANFIS multi variate dihasilkan RMSE validasi 0.855033 cm/s pada perairan Surabaya, 2.3096 cm/s pada titik A, 2.62006 cm/s pada titik B, 1.77666 cm/s pada laut Jawa, 1.1921 cm/s pada titik C, dan 0.72269 cm/s pada perairan Banjarmasin. Sedangkan untuk prediksi ketinggian gelombang laut dengan ANFIS time seriesdihasilkan nilai RMSE validasi 0.00545 m pada perairan Surabaya, 0.01263 m pada titik A, 0.01543 m pada titik B, 0.01277 m pada laut Jawa, 0.01108 m pada titik C, dan 0.01841 m pada perairan Banjarmasin. Untuk prediksi ketinggian gelombang laut dengan ANFIS multi variate menghasilkan nilai RMSE validasi 0.005767 m pada perairan Surabaya, 0.01649 m pada titik A, 0.01825 m pada titik B, 0.01418 m pada laut Jawa, 0.01673 m pada titik C, dan 0.00905 m pada perairan Banjarmasin. Kata Kunci:ANFIS, Prediktor Cuaca Maritim, Peramalan I. A.

PENDAHULUAN

Latar Belakang

Meningkatnya frekuensi kejadian kecelakaan transportasi laut di Indonesia akhir-akhir ini semakin lama semakin memprihatinkan.Beberapa kejadian kecelakaan yang dialami transportasi laut, baik tenggelamnya kapal maupun tabrakan antar kapal.Bila dilihat dari faktor penyebab terjadinya kecelakaan karena disebabkan kesalahan manusia (human error) 41%, bencana alam (force majeur) 38% dan akibat struktur kapal (hull structure) 21% (MTI, Volume 2, 1-2-3 Langkah, 2007). Seperti kejadian 22 november 2009 tenggelamnya kapal laut Dumai Express 10 di perairan Tanjung Balai Karimun, Kepulauan Riau yang diakibatkan oleh cuaca buruk. Hal ini sebabkan karena pola cuaca dan aklim yang tidak beraturan sehingga menyebabkan terganggunya sarana transportasi laut, lalu lintas perhubungan laut dan penyeberangan antar pulau. Faktor cuaca menjadi hal yang sulit untuk diprediksi dalam pelayaran, maka dari itu peramalan cuaca akhir – akhir ini menjadi topik yang menarik untuk dibahas, karena sangat membantu dalam kelayakan pelayaran di laut.Informasi dan prakiraan cuaca, iklim yang ada pada website bmkg.go.id secara makro sangat membantu transportasi laut.Tetapi dilihat dari aspek kepresisian informasi dan prakiraan masih perlu ditingkatkan.Hal ini 1

disebabkan informasi yang diberikan pada alamat website bmkg tersebut merupakan hasil dari keluaran sebuah program yang didasarkan pada data rata – rata untuk beberapa posisi di Indonesia. Sebagai misal terdapat informasi prakiraan dalam 1 minggu ke depan dalam nilai rata – rata dalam 7 hari tersebut. Nilai prakiraan ini tidak dinyatakan dalam jam dan hari tertentu ke depan. Hal ini akan sulit memberikan informasi secara presisi kondisi sebenarnya. Sedangkan penjadwalan pelayaran untuk melakukan aktivitas seharinya sangat bertumpu pada informasi dan prakiraan cuaca maritim ini.[6] Metode berbasis kepakaran yang dapat digunakan untuk menganalisa data atmosfir dan kemudian digunakan untuk memprediksinya dikenal dengan istilah Adaptive Neuro Fuzzy Inference System (ANFIS) yaitu logika fuzzy yang mampu menggunakan variabel linguistiksebagai salah satu data base dalam pengambilan keputusan untuk prediksi cuaca dan jaringan syaraf tiruan yang mempunyai kemampuan untuk beradaptasi karena variabelvariabel atmosfir yang bersifat non-linier. Kedua metode itu akan digabungkan dalam metode Adaptive Neuro Fuzzy Inference System agar bisa mempertinggi tingkat ketepatan prediksi cuaca tersebut.Pada penelitian tugas akhir ini akan dilakukan penelitian tentang

aplikasi dari teori Adaptive Neuro Fuzzy Inference System (ANFIS) untuk peramalan cuaca untuk kebutuhan pelayaran kapal di pelayaran SurabayaBanjarmasin. Pada penilitian sebelumnya yang dilakukan Ardian Candra berbasis Adaptive Neuro Fuzzy Inference System (ANFIS), koordinat pengambilan data adalah 70 12’ 20’’ LS - 1120 44’ 08’’ BT dan varibel cuaca yang diteliti yaitu tinggi gelombang laut, kuat arus laut dan curah hujan. Sedangkan penelitian yang dilakukan Prita Meilanitasari berbasis Fuzzy, koordinat pengambilan data berada pada 4,648136oS – 113,908806oE dan varibel cuaca yang diteliti yaitu tinggi gelombang laut dan kuat arus laut.Kedua penelitian tersebut hanya dilakukan di satu koordinat pengambilan data sehingga memprediksi cuaca hanya pada satu wilayah saja. Oleh karena itu, penyusun akan merancang prediktor cuaca maritim berbasis Adaptive Neuro Fuzzy Inference System (ANFIS)untuk meningkatkan jangkauan ramalan pelayaran Surabaya-Banjarmasin dengan kordinat pengambilan data 3.540425oS - 113.90880oE (Perairan Banjarmasin), 4,648136oS - 113,908806oE (Laut Jawa) dan 6.874824oS – 112.747800oE (Perairan Surabaya). Data tersebut terdiri dari 3 variabel yaitu ketinggian gelombang laut (m) dan kecepatan arus laut (cm/s).Selanjutnya data yang telah terekam itu dibagi menjadi dua bagian, bagian pertama digunakan sebagai data training dan bagian kedua dijadikan sebagai data validasi. Data tersebut akan diinterpolasi menggunakan interpolasi lagrange sehingga dapat mengetahui keadaan cuaca yang terjadi antara koordinat 3.540425 oS 113.90880oE (Perairan Banjarmasin), 4,648136 oS 113,908806oE (Laut Jawa) dan 6.874824oS – 112.747800oE (Perairan Surabaya) untuk kelayakan pelayaran Surabaya-Banjarmasin. Interpolasi antara perairan Surabaya dan laut Jawa menghasilkan titik A dan B. Sedangkan interpolasi antara laut Jawa dan perairan Banjarmasin menghasilkan titik C sehingga ada enam lokasi pengamatan yang akan diteliti untuk meningkatkan jangkauan ramalan cuaca maritim pada pelayaran SurabayaBanjarmasin.. B.

Permasalahan

C.

Tujuan

Adapun Tujuan daripada penelitian ini adalah dapat merancang prediktor cuaca maritim berbasis Adaptive Neuro Fuzzy Inference System (ANFIS) untuk meningkatkan jangkauan ramalan, yang selanjutnya bisa didapatkan rekomendasi untuk kelayakan pelayaran Surabaya-Banjarmasin. . D.

Batasan Masalah

E.

Metodologi Penelitian

Pada Tugas Akhir ini pokok bahasannya dibatasi beberapa hal sebagai berikut: 1. Data diambil berupa data pelayaran dari BMKG II Perak – Surabaya. 2. Obyek analisa yaitu di wilayah pelayaran Surabaya-Banjarmasin. 3. Variabel cuaca maritim yang akan diprediksi yaitu ketinggian gelombang laut dan kecepatan arus laut. 4. Cuaca pelayaran yang dimaksud adalah cuaca yang diperuntukkan khusus untuk pelayaran, yaitu informasi cuaca pada saat kapal mau berlayar. 5. Model sistem peramalan berdasar Adaptive Neuro Fuzzy Inference System (ANFIS). Untuk mencapai tujuan yang telah dibuat maka diperlukan sebuah metodologi penelitian yang memuan tahapan-tahapan untuk menyelesaikan tugas akhir ini. Adapun tahapan tersebut sebagai berikut: 1. Studi Literatur Studi literatur dilakukan untuk mendasar penyelesaian masalah di dalam tugas akhir ini. Materi yang perlu dipelajari adalah mengenai jaringan ANFIS dan proses pembelajarannya,selain itu parameter-parameter cuaca dan proses terjadinya hujan. Disamping itu perlu diketahui proses terjadinya geombang laut dan profil arus laut. 2. Pengambilan data lapangan Data yang digunakan dalam tugas akhir ini diukur oleh BMKG II Perak dan direkam per jam selama 5 tahun. 3. Pengolahan data input Data input untuk model ANFIS terlebih dahulu di training untuk mendapatkan pemodelan peramalan. 4. Perancangan program dan model ANFIS Dilakukan perancangan program menggunakan software MATLAB 7.8 untuk membuat model ANFIS yang merepresentasikan kondisi cuaca. 5. Validasi model ANFIS

Permasalahan dari tugas akhir ini adalah bagaimana merancang prediktor cuaca maritim berbasis Adaptive Neuro Fuzzy Inference System (ANFIS) untuk meningkatkan jangkauan ramalan, yang selanjutnya bisa didapatkan rekomendasi untuk kelayakan pelayaran Surabaya-Banjarmasin.

2

Dilakukan pengujian model ANFIS yang telah dibuat. 6.

Analisis data Hasil pegujian yang berupa data hasil prediksi dibandingkan dengan data hasi pengukuran dan dapat diketahui tingkat ketepatan prediksi dari model ANFIS tersebut. 7. Penyusunan laporan dan buku tugas akhir F.

Gambar 2.1 Sistem inferensi fuzzy TSK dua masukan dengan dua aturan[11] Dalam gambar di atas tiap-tiap input tersebut dibagi menjadi 2 fungsi keanggotaan, x dibagi dalam A1 dan A2; misalnya A1 menyatakan kecil dan A2 menyatakan besar. Begitu juga y dibagi dalam fungsi keanggotaan B1 yang menyatakan kecil dan B2 yang menyatakan besar. Dari pemetaan tersebut x dan y sudah menjadi variabel fuzzy yang masing-masing mempunyai nilai µ kecil dan besar tertentu.x mempunyai nilai µA1 dan µA2 sedangkan y punya nilai µB1 dan µB2. Nilai masing-masing pasangan input tersebut lalu diagregasi dengan operasi T-norm, misalnya operasi ini adalah operasi AND. Jadi w1 = (µA1 AND µA2) sedangkan w2 = (µB1 AND µB2). Untuk aturannya digunakan model fuzzy sugeno orde satu dengan persamaan:

Sistematika Laporan

Penyusunan laporan tugas akhir ini dilakukan secara sistematis dan tersusun dalam lima bab yang terdiri dari BAB I Pendahuluan,bab ini dijelasakan tentang latar belakang, perumusan masalah, tujuan penelitian, batasan masalah, metodologi penelitian dan sistematika laporan.BAB II Tinjauan Pustaka,bab ini dibahas mengenai teoriteori dasar yang terkait dalam penulisan tugas akhir.BAB III Perancangan Model ANFIS, bab ini akan dijelaskan mengenai langkah-langkah pemodelan ANFIS beserta alogaritmanya.BAB IV Pengujian dan Analisis Hasil Simulasi, bab ini dilakukan pengujian model (validasi) dan analisis hasil simulasi serta dibandingkan dengan data hasil pengukuran. Dan BAB V Kesimpulan dan Saran, bab ini berisi tentang kesimpulan pokok dari seluruh rangakain penelitian yang telah dilakukan dan saran yang dapat dijadikan sebagai pengembangan penelitian selanjutnya II.

…(2.1)

DASAR TEORI

…(2.2)

A.

Adaptive Neuro-Fuzzy Inference System (ANFIS) ANFIS adalah penggabungan mekanisme fuzzy inference system yang digambarkan dalam arsitektur jaringan syaraf.Sistem inferensi fuzzy yang digunakan adalah sistem inferensi fuzzy model Tagaki-Sugeno-Kang (TSK) orde satu dengan pertimbangan kesederhanaan dan kemudahan komputasi. Salah satu contoh ilustrasi mekanisme inferensi fuzzy TSK orde satu dengan dua masukan x dan y. Cara kerjanya seperti sistem FIS biasa akan tetapi cara perhitungannya (algoritmanya) berbeda. Gambar berikut ini memperlihatkan suatu masukan crisp (tidak fuzzy) x dan y, misalnya kita ingin mengontrol kecepatan motor listrik dengan mengatur tegangannya, jadi x itu pengukuran harga variabel yang dikontrol yaitu kecepatan pada saat ke t, dan misalnya y pengukuran pada saat ke t+1 sedangkan f adalah nilai tegangan yang diberikan sebagai sinyal kontrol. Harga x dan y tersebut jelaskan bukan fuzzy.Lalu nilai x dan y tersebut dipetakan pada funggsi keanggotaannya.

Sekarang kita mempunyai hasil akhir f 1 dan f2. Ini merupakan nilai output sinyal kontrol, yaitu tegangan. Perhatikan kita telah loncat dari domain input x dan y (kecepatan) ke domain output f (tegangan). p1, q1, r1, p2, q2, dan r2 dinamakan dengan parameter konsekuen yang ditentukan dengan nilai awal tertentu dan akan berubah dengan pembelajaran (algoritma belajar). Pada bagian pembelajaran parameter konsekuen hal ini akan dibicarakan lebih detail. Sekarang yang penting kita mempunyai f 1 dan f2.Selanjutnya dari nilai f1 dan f2 ini kita perlu mendapatkan satu nilai tegangan sebagai sinyal kontrol. Nilai akhir tersebut dihitung dengan persamaan: ̅̅̅̅

3

̅̅̅̅ …(2.3)

Rumus tersebut dinamakan defuzzyfikasi.Rumus tersebut sebenarnya diperoleh dari salah satu metode defuzzyfikasi

D.

Pengaruh Unsur Cuaca pada Permukaan Laut Unsur-unsur cuaca yang meliputu 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. Berikut adalah penjelasan dari gelombang serta arus laut. 1. Gelombang Laut Gelombang/ombak yang terjadi di lautan dapat diklasifikasikan menjadi beberapa macam tergantung kepada gayapembangkitnya. 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).Gelombang adalah pergerakan naik dan turunnya air dengan arah tegak lurus permukaan air laut yang membentuk kurva/grafik sinusoidal. Gelombang laut disebabkan oleh angin. Angin di atas lautan mentransfer energinya ke perairan, menyebabkan riak-riak, alun/bukit, dan berubah menjadi apa yang kita sebut sebagai gelombang.

yaitu metode rata-rata tengah (centroid).Sekarang kita mempunyai harga tegangan output kontroler yang harus diberikan ke sistem yang kita kontrol. B. Fungsi Keanggotaan ANFIS Biasanya fungsi keanggotaan fuzzy input (premis) yang digunakan adalah fungsi GeneralizedBell yang dirumuskan (

(2.4)

) |

|

Gambar 2.2 Grafik Fungsi Keanggotaan Generalized-Bell[11] Fungsi Generalized-Bell pertama-tama akan dipakai sebagai fungsi keanggotaan dari masukan, dan kita tentukan sekehendak kita parameter awal a, b, c dan jumlah himpunan fuzzy input. Nantinya parameter premis a,b,c akan diubah dengan cara pembelajaran. C.

Struktur ANFIS Struktur ANFIS yang menggambarkan sistem fuzzy TSK seperti yang bisa digambarkan dalam diagram blok atau disebut arsitektur jaringan syaraf feedforward seperti ini: A1

XY

W1

X

A2

Π

W1'

N

XY

B1 Y

Π

Σ

f

N W2

W2'

B2

Gambar 2.4 Simulasi gerakan gelombang[9]

Gambar 2.3 Struktur ANFIS 5 Lapisan[11]

Maka terlihat strukrur ANFIS seperti jaringan syaraf (neural-network).

2.

Pada gambar 2.3 terlihat sistem neuro-fuzzy terdiri atas lima lapisan dengan fungsi yang berbeda untuk tiap lapisannya. Tiap lapisan terdiri atas beberapa simpul yang dilambangkan dengan kotak atau lingkaran. Lambang kotak menyatakan simpul adaptif artinya nilai parameternya bisa berubah dengan pembelajaran dan lambang lingkaran menyatakan simpul nonadaptif yang nilainya tetap. 4

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).

E.

Interpolasi Lagrange Pada penelitian ini digunakan imterpolasi lagrange karena interpolasi ini merupakan innterpolasi polynomial yang digunakan untuk mencari titik-titik antara dari n buah titik P1(x1,y1), P2(x2,y2), P3(x3,y3), …, PN(xN,yN) dengan menggunakan pendekatan fungsi polynomial yang disusun dalam kombinasi deret dan didefinisikan dengan: y=∑

∏

( (

) )

menemukan hubungan antara kelayakan pelayaran yang kaitannya dengan cuaca. Selain itu juga mempelajari jurnal-jurnal mengenai penelitian sebelumnya. Selanjutnya dilakukan identifikasi masalah yang hubungannya dengan kelayakan pelayaran Surabaya-Banjarmasin yang kemudian membawa ke tahap selanjutnya yaitu pengumpulan data. Data yang digunakan merupakan data unsur cuaca selama lima tahun yang dimulai dari Januari 2006 samapai Januari 2010 yang terdiri dari 3 variabel. Variabel cuaca ini diukur dam direkam oleh BMKG II Perak Surabaya. Data yang terekam ini di training agar didapatkan parameter premis awal pada model ANFIS. Kemudian dilakukan perancangan model ANFIS menggunakan software Matlab 7.8.0, dimana pada tahapan ini software digunakan sebagai alat bantu untuk melakukan training model sehingga didapatkan model cuaca yang sesuai. Parameter yang digunakan untuk mengetahui performansi model cuaca ini yaitu dengan melihat Root Mean Square Error (RMSE) dari validasi model yang dilakukan. Setelah hasil validasi memenuhi kriteria, maka model akhir cuaca berbasis ANFIS diimplementasikan ke dalam bentuk software. Perancangan software ini menggunakan bahasa pemrograman Java. Setelah software prediktor cuaca selesai dibuat, dilakukan simulasi yaitu dengan memberikan inputan data cuaca hasil pengukuran. Hasil prediksi dari software ini dibandingkan dengan hasil pengukuran sebenarnya (validasi). Dan yang terakhir, dilakukan analisis mengenai kinerja dan ketepatan prediksi sistem ini, selanjutya dibuat laporan hasil penelitian ini.

... (2.5)

Algoritma Interpolasi Lagrange : a) Tentukan jumlah titik (N) yang diketahui. b) Tentukan titik-titik Pi(xi,yi) yang diketahui dengan i=1,2,3,…,N. c) Tentukan x dari titik yang dicari d) Hitung nilai y dari titik yang dicari dengan formulasi interpolasi lagrange. [11] III. A.

METODOLOGI PENELITIAN

Alur Penelitian

Pada bab ini akan dibahas tentang prosedur penelitian dan perancangan model ANFIS yang digunakan untuk memprediksi cuaca maritim, khususnya di pelayaran Surabaya - Banjarmasin. Adapun alur penelitian yang digunakan sebagai dasar pelaksanaan penelitian adalah sebagai berikut: Mulai

Studi Literatur

Sumulasi Program ANFIS, Analisa Hasil Simulasi dan Pengujian

Identifikasi Masalah

Penyusunan Laporan Penelitian

Pengambilan Data Cuaca Maritim

B.

Studi Literatur dan Pengambilan Data Lapangan Sebagai dasar penelitian mengenai prediksi cauaca yang telah dilakukan sebelumnya yaitu penelitian yang dilakukan oleh Ardian Candra Pratama (2010) menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS). Metode yang digunakan Ardian ini digunakan untuk memprediksi tiga variabel cuaca yaitu curah hujan, kecepatan arus laut, dan ketinggian gelombang laut menggunakan beberapa parameter cuaca sebagai prediktor. Pada penelitian ini dibandingkan dua metode yaitu multi variate dan time series ANFIS.Sebagai hasil akhirnya didapatkan nilai performa model dari nilai RMSE, yaitu untuk kecepatan arus laut 0.20932 cm/s dan ketinggian gelombang laut0.00638908 m. Sedangkan nilai VAF untuk

Selesai

Perancangan ANFIS sebagai Prediktor Cuaca

Validasi Sistem ANFIS

tidak

Kesesuaian Sistem ANFIS

ya

Gambar 3.1 Alur Penelitian Sesuai dengan alur penelitian seperti yang telah ditunjukkan oleh gambar 3.1, urutan pelaksanaan penelitian dimulai dari studi literatur. Pada tahapan ini dipelajari mengenai terjadinya gelombang laut, arus laut dan angin sehingga 5

kecepatan arus laut mencapai 99.887 % dan ketinggian gelombang laut adalah 99.913 %. Pada penelitian ini, pengukuran variabel cuaca dilakukan oleh BMKG II Perak Surabaya. Variabel cuaca ini kemudian direkam per-hari selama 5 tahun yatiu mulai bulan Jauari 2006 s/d Januari 2010. Koordinat pengambilan data ini adalah 3.540425oS - 113.90880oE (Perairan Banjarmasin),4,648136oS-113,908806oE(Laut Jawa) dan 6.874824oS – 112.747800oE (Perairan Surabaya). Data tersebut terdiri dari 3 variabel yaitu ketinggian gelombang laut(m) dan kecepatan arus laut(cm/s). Data tersebut akan diinterpolasi menggunakan interpolasi lagrange yaitu Interpolasi antara perairan Surabaya dan laut Jawa menghasilkan titik A dan B. Sedangkan interpolasi antara laut Jawa dan perairan Banjarmasin menghasilkan titik C sehingga ada enam lokasi pengamatan yang akan diteliti.Selanjutnya data yang telah terekam itu dibagi menjadi dua bagian, bagian pertama digunakan sebagai data training dari tahun 2006 sampai 2009 dan bagian kedua dijadikan sebagai data validasi yaitu bulan januari 2010.

Sebagai inputan adalah data pada saat ini dan 1 jam kebelakang. Selanjutnya untuk ANFIS multi variabel, digunakan variabel lain sebagai input jaringan, Sedangkan output jaringan adalah dua variabel yang dimodelkan yaitu kecepatan arus laut dan ketinggian gelombang laut. Dikarenakan ANFIS peka terhadap jumlah input data, maka digunakan berbagai macam kombinasi input data. Perancangan Prediksi Cuaca dan Diagram Blok

D. Perancangan Model ANFIS Langkah-langkah yang dilakukan untuk memodelkan cuaca maritim menggunakan software matlab adalah sebagai berikut, yang pertama dilakukan adalah mempersiapkan data input-output untuk jaringan pada workspace matlab. Jumlah baris menunjukkan jumlah data dan jumlah kolom menunjukkan jumlah variabel, sedangkan pada kolom terakhir merupakan variabel target output jaringan. Gambar 3.3 merupakan gambar contoh workspace matlab. Selanjutnya digunakan anfis editor matlab untuk merancang model jaringan. Syntax anfisedit diketikkan pada command window dan data diinputkan ke dalam jaringan ini dan akan nampak seperti pada gambar 3.4 . Kemudian ditentukan tipe dan jumlah fungsi keanggotaan dari input dan fungsi keanggotaan output. Fungsi keanggotaan input adalah gbell dan output adalah constant. Untuk pembelajaran digunakan kombinasi dari backpropagation dan RLSE, untuk itu dipilih hybrid pada anfis editor. Setelah itu ditentukan jumlah iterasi-nya dan diatur nilai error sama dengan nol dan langsung dilakukan pembelajaran dengan meng-klik train now.

Gambar 3.2 Lokasi Pengambilan Data di Pelayaran Surabaya-Banjarmasin C.

Pengolahan Data Input

Pada penelitian ini dilakukan eksperimen dengan model ANFIS time series. Pada ANFIS time series input data sama dengan variabel output data, akan tetapi berbeda terhadap fungsi waktu. Pada model time series ini, variabel lain diasumsikan konstan dan tidak mempengaruhi variabel yang Pada penelitian ini dilakukan eksperimen dengan model ANFIS time series. Pada ANFIS time series input data sama dengan variabel output data, akan tetapi berbeda terhadap fungsi waktu. Pada model time series ini, variabel lain diasumsikan konstan dan tidak mempengaruhi variabel yang dimodelkan. Yang diutamakan dalam model ini adalah pola data terhadap fungsi waktu. Pada model kecepatan angin digunakan data setiap jam untuk memprediksi variabel-variabel tersebut pada 1 jam kedepan.

Gambar 3.3 Contoh workspace Matlab Gambar 3.5 merupakan membership function yang ditentukan pada awal dan setelah dilakukan pembelajaran parameter premis akan berubah, sehingga membership function akan seperti pada gambar 3.3. Untuk struktur jaringan dapat dilihat pada gambar selanjutnya yaitu gambar 3.6. Pada gambar tersebut terdapat 6

2 input dan masing-masnig input mempunyai 3 membership function. Jaringan ini memiliki 1 output. Selanjutnya adalah gambar rule fiewer dimana kita bisa melihat hasil output jaringan dengan memberikan nilai random pada inputan.

Selanjutnya output sesungguhnya dan output hasil simulasi diplot dalam satu grafik. Dari ploting ini akan terlihat pola prediksi apakah akan sesuai dan mengikuti dengan pola data sesungguhnya. Selanjutnya dicari error dari hasil prediksi terhadap data sesungguhnya dan dicari root mean square error (RMSE)-nya. Apabila nilai RMSE memenuhi kriteria maka langkah berikutnya adalah dirancang software prediktor menggunakan model cuaca tersebut. Untuk RMSE dihitung dengan menggunakan persamaan di bawah ini : N

RMSE 

Gambar 3.4 Contoh ANFIS editor matlab

 y i 1

i

2  yˆ i 

...(2.6)

N

Validasi Bulan Januari 2010 90 80

Kecepatan Arus (cm/s)

70 60 50 40 30 20 10

Gambar 3.5Menentukan MF input dan output

0

0

100

200

300

400 500 Banyak Data

600

700

800

Gambar 3.8 Contoh grafik ploting data sesungguhnya (biru) dan data prediksi (hijau) F. Perancangan GUI Prediktor Cuaca Maritim dan Analisis

Gambar 3.6 Contoh struktur ANFIS

Gambar 3.7 Contoh rule fiewer FIS

Gambar 3.8 GUI prediktor cuaca maritim

untuk 1 jam kedepan

E.

Validasi Model ANFIS Setelah model ANFIS didaptkan, maka dilakukan validasi terhadap model tersebut. Validasi dilakukan dengan menginputkan data validasi ke dalam jaringan. Validasi model ini dilaukan menggunakan software matlab juga.

IV. A.

ANALISA DATA DAN PEMBAHASAN

Ketinggian Gelombang Salah satu parameter cuaca maritim yaitu ketinggian gelombang. Pada perancangan 7

model ketinggian gelombang, dibandingkan antara metode time series dan multi variate. Pada metode multi variate input jaringan yang di training terdiri dari 3 variabel yaitu kecepatan angin pada saat ini, ketinggian gelombang satu jam sebelumnya (t-1) dan ketinggian gelombang pada saat ini (t). Untuk keluaran jaringan adalah ketinggian gelombang satu jam kedepan yaitu (t+1). Korelasi dari ketiga input tersebut dapat dilihat pada lampiran B, bahwa korelasi ketiga input bagus sehingga dapat digunakan sebagai input ANFIS multi varite. Untuk mencari korelasi ketiga input tersebut digunakan software Minitab 15. Korelasi input suatu sistem dikatakan tidak bagus apabila salah satu input mempunyai nilai korelasi < 0.05. Sedangkan pada metode time series input jaringan yang di training yaitu variabel ketinggian gelombang sendiri, akan tetapi berbeda pada waktunya, yaitu ketinggian gelombangsatu jam sebelumnya (t-1) dan ketinggian gelombang pada saat ini (t). Untuk keluaran jaringan adalah ketinggian gelombang satu jam kedepan yaitu (t+1).Data yang digunakan untuk pengecekan ketepatan prediksi ketinggian gelombang laut merupakan data satu bulan yaitu pada bulan Januari 2010 yang terdiri dari data per satu jam yang berjumlah 744 data dan data untuk training dari bulan Januari 2006 sampai Desember 2009. Data pada lokasi pengamatan di perairan Surabaya, Laut Jawa dan Perairan Banjarmasin didapatkan dari BMKG Perak Surabaya, sedangkan pada lokasi titik A, B dan C datanya didapatkan dengan cara interpolasi menggunakan interpolasi Lagrage. Data yang didapatkan dari BMKG dan perhitungan degan cara interpolasi Lagrange yang merupakan data hasil penggunaan software WindWave5 kemudian dibandingkan dengan data hasil pemodelan menggunakan ANFIS. Sehingga didapatkan RMSE validasi yang merupakan perbandingan antara hasil pemodelan menggunakan ANFIS dan data yang didapatkan dari BMKG. Pemodelan ANFIS akan digunakan untuk memprediksi ketinggian gelombang satu jam kedepan. Sebagai pembanding,dapat dilihat pada gambar 4.1, 4.5, 4.9, 4.13, 4.17, dan 4.21 untuk model ANFIS time series, sedangkan untuk model ANFIS multi variate dapat dilihat pada gambar 4.3, 4.7, 4.11, 4.15, 4.19 dan 4.23. Dimana sumbu x menunjukkan waktu (t(jam)) dan sumbu y menunjukkan ketinggian gelombang (H(m)).Hasil dari pemodelan masing-masing metode dari semua tempat titik pengamatan dapat dilihat pada grafik di bawah ini.

1.

Perairan Surabaya Validasi data bulan Januari 2010 0.7

Predik si Validasi

Ketinggian Gelombang (m)

0.6

0.5

0.4

0.3

0.2

0.1

0

0

200

400 Banyak Data

600

800

Gambar 4.1Prediksi ketinggian gelombang satu jam kedepan di perairan Surabaya aktual (biru) dan prediksi (pink) dengan ANFIS time series Error Prediksi 0.02 0.015 0.01

Error (m)

0.005 0 -0.005 -0.01 -0.015 -0.02

0

100

200

300

400 banyak data

500

600

700

800

Gambar 4.2 Error prediksi ketinggian gelombang satu jam kedepan di perairan Surabaya dengan ANFIS time series Validasi Data Bulan Januari 2010 0.7


0.6

0.5

0.4

0.3

0.2

0.1

0

0

100

200

300

400 500 Banyak Data

600

700

800

Gambar 4.3Prediksi ketinggian gelombang satu jam kedepan di perairan Surabaya aktual (biru) dan prediksi (hijau) dengan ANFIS multi variate Error Prediksi 0.03

0.02

Error (m)

0.01

0

-0.01

-0.02

-0.03

0

100

200

300

400 500 Banyak Data

600

700

Gambar 4.4 Error prediksi ketinggian gelombang satu jam kedepan di perairan Surabaya dengan ANFIS multi variate

8

800

Tabel 4.1Perbandingan model ANFIS time series dan ANFIS

Prediksi

Ketinggian Gelombang Time Series Ketinggian Gelombang Multi Variate

2.

1 jam kedepan 1 jam kedepan

Jmlh data traini ng

Jmlh data valid asi

RMS E traini ng

RMS E Valid asi

3506 4

744

0.004 6839

0.005 456

3506 4

744

0.004 6335

Error Prediksi 0.14 0.12 0.1 0.08 0.06

Error (m)

multi variate

0.02 0 -0.02

0.005 767

-0.04 -0.06

Validasi data bulan Januari 2010 2.5

Predik si Validasi

100

ANFIS

Prediksi


1 jam kedepan

1

0.5

0

0

200

400 Banyak Data

600

800

Gambar 4.5Prediksi ketinggian gelombang satu jam kedepan di titik A aktual (biru) dan prediksi (pink) dengan ANFIS time series

3.

400 500 Banyak data

600

700

800

1 jam kedepan

Jmlh data traini ng

Jmlh data valida si

RMS E traini ng

RMS E Valida si

8761

744

0.010 728

0.012 63

8761

744

0.010 729

0.016 49

Titik B Validasi data bulan Januari 2010

Error Prediksi

3.5

0.06

3

0.04

2.5


0.08

0.02

Error (m)

300

dan multi variate

1.5

0

-0.02

Predik si Validasi

2 1.5 1 0.5

-0.04

-0.06

200

Tabel 4.2 Perbandingan model ANFIS time series

2


0

Gambar 4.8 Error prediksi ketinggian gelombang satu jam kedepan di titik A dengan ANFIS multi variate

Titik A

-0.5

0.04

0 0

100

200

300

400 500 Banyak Data

600

700

800

-0.5

Gambar 4.6 Error prediksi ketinggian gelombang satu jam kedepan di titik A dengan model ANFIS time series

0

200

400 Banyak Data

600

800

Gambar 4.9Prediksi ketinggian gelombang satu jam kedepan di titik B aktual (biru) dan prediksi (pink) dengan ANFIS time series

Validasi Bulan Januari 2010 2.5

Error Prediksi 0.1

2

0.06

1.5

0.04 0.02

Error (m)


0.08

1

0 -0.02 -0.04 -0.06

0.5

-0.08 -0.1

0

0

100

200

300

400 500 Banyak Data

600

700

800

Gambar 4.7Prediksi ketinggian gelombang satu jam kedepan di titik A aktual (biru) dan prediksi (hijau) dengan ANFIS multi variate

0

100

200

300

400 500 Banyak Data

600

700

800

Gambar 4.10 Error prediksi ketinggian gelombang satu jam kedepan di titik B dengan ANFIS time series

9

Validasi Bulan Januari 2010

Error Prediksi

3.5

0.08 0.06

3

0.04


2.5

0.02

error (m)

2

1.5

0 -0.02 -0.04

1

-0.06 0.5

-0.08 0 0

100

200

300

400 500 Banyak Data

600

700

-0.1

800

Gambar 4.11 Prediksi ketinggian gelombang satu jam kedepan di titik B aktual (biru) dan prediksi (hijau) dengan ANFIS multi variate

0

100

200

300

400 500 Banyak Data

600

700

800

Gambar 4.14 Error prediksi ketinggian gelombang satu jam kedepan di laut Jawa dengan ANFIS time series

Error Prediksi


0.1

3.5 0.08

3

0.06


Error (m)

0.04 0.02 0 -0.02 -0.04 -0.06 -0.08

0

100

200

300

400 500 Banyak Data

600

700

800


Jmlh data traini ng

Jmlh data valid asi

RMS E traini ng

RMS E Valid asi

8761

744

0.013 2544

0.015 43

1.5

1

0 0

100

200

300

400 500 Banyak Data

600

700

800

Gambar 4.15 Prediksi ketinggian gelombang satu jam kedepan di laut Jawa aktual (biru) dan prediksi (hijau) dengan ANFIS multi variate Error Prediksi 0.15

0.1

0.05

8761

744

0.014 599

Error (m)


Prediksi

2

0.5

Gambar 4.12 Error prediksi ketinggian gelombang satu jam kedepan di titik B dengan ANFIS multi variate Tabel 4.3 Perbandingan model ANFIS time series dan multi variate ANFIS

2.5

0.018 25

0

-0.05

4.

Laut Jawa -0.1


Predik si Validasi

100

200

2.5

400 500 Banyak Data

600

700

800


2

dan multi variate

1.5

1

ANFIS

Prediksi


1 jam kedepan

0.5

0

300

Gambar 4.16 Error prediksi ketinggian gelombang satu jam kedepan di laut Jawa dengan ANFIS multi variate

3


0

0

200

400 Banyak Data

600

800

Gambar 4.13Prediksi ketinggian gelombang satu jam kedepan di laut Jawa aktual (biru) dan prediksi (pink) dengan ANFIS time series

10

1 jam kedepan

Jmlh data traini ng

Jmlh data valida si

RMS E traini ng

RMS E Valid asi

3506 4

744

0.010 3802

0.012 77

3506 4

744

0.010 439

0.014 18

5.


Titik C

dan multi variate

Validasi data bulan Januari 2010 3

Predik si Validasi

ANFIS

Prediksi


1 jam kedepan


2.5

2

1.5

1

1 jam kedepan

Jmlh data traini ng

Jmlh data valida si

RMS E traini ng

RMS E Valid asi

8761

744

0.009 656

0.011 08

8761

744

0.009 7124

0.016 73

0.5

0

6. 0

200

400 Banyak Data

600

Perairan Banjarmasin

800

Gambar 4.17Prediksi ketinggian gelombang satu jam kedepan di Titik C kedepan aktual (biru) dan prediksi (pink) dengan ANFIS time series


1.4


Error Prediksi 0.06

0.04

Error (m)

0.02

1.2 1 0.8 0.6

0

0.4

-0.02

0.2 0

-0.04

0

100

200

300

400 500 Banyak Data

600

700

0

200

400 Banyak Data

600

800

Gambar 4.21Prediksi ketinggian gelombang satu jam kedepan di perairan Banjarmasin aktual (biru) dan prediksi (pink) dengan ANFIS time series

-0.06

-0.08

Predik si Validasi

1.6

800

Gambar 4.18 Error prediksi ketinggian gelombang satu jam kedepan di Titik C dengan ANFIS time series

Error Prediksi 0.1

0.05

Validasi Bulan Januari 2010 3

Error (m)

0


2.5

-0.05

2 -0.1

1.5

-0.15

1

0

100

200

300

400 500 Banyak Data

600

700

800


0.2

Error (m)

0.1

1

0.6

0

0.2

-0.05

0

600

700

800

0.8

0.4

400 500 Banyak Data

700

1.2

0.05

300

600

1.4

0.15

200

400 500 Banyak Data

1.6

0.25

100

300

1.8

Error Prediksi

0

200


Gambar 4.15 Prediksi ketinggian gelombang satu jam kedepan di Titik C aktual (biru) dan prediksi (hijau) dengan ANFIS multi variate

-0.1

100

Gambar 4.22 Error prediksi ketinggian gelombang satu jam kedepan di perairan Banjarmasin dengan ANFIS time series

0.5

0

0

0

100

200

300

400 500 Banyak Data

600

700

800

Gambar 4.23 Grafik prediksi ketinggian gelombang satu jam kedepan di perairan Banjarmasin aktual (biru) dan prediksi (hijau) dengan ANFIS multi variate

800

Gambar 4.20 Error prediksi ketinggian gelombang satu jam kedepan di Titik C dengan ANFIS multi variate

11

menyimpan memori ketinggian gelombang 1 jam sebelumnya dan saat ini, sehingga pada prediksi satu hari berikutnya akan tampak hampir sama dengan pola satu hari berikutnya. Sedangkan pada model ANFIS multi variabel dipengaruhi oleh variabel lain yaitu kecepatan angin pada saat ini ssehingga mempengaruhi performansi ANFIS.

Error Prediksi 0.06

0.04

Error (m)

0.02

0

-0.02

-0.04

-0.06

0

100

200

300

400 500 Banyak Data

600

700

800

4.2

Kecepatan Arus Laut Sama seperti ketinggian gelombang, perancangan model kecepatan arus dibandingkan antara metode time series dan multi variate. Pada metode multi variate input jaringan yang di training terdiri dari 3 variabel yaitu kecepatan angin pada saat ini, kecepatan arus satu jam sebelumnya (t-1) dan kecepatan arus pada saat ini (t). Untuk keluaran jaringan adalah kecepatan arus satu jam kedepan yaitu (t+1). Korelasi dari ketiga input tersebut dapat dilihat pada lampiran B, bahwa korelasi ketiga input bagus sehingga dapat digunakan sebagai input ANFIS multi varite. Untuk mencari korelasi ketiga input tersebut digunakan software Minitab 15. Korelasi input suatu sistem dikatakan tidak bagus apabila salah satu input mempunyai nilai korelasi < 0.05.Sedangkan pada metode time series input jaringan yang di training yaitu variabel kecepatan arus sendiri, akan tetapi berbeda pada waktunya, yaitu kecepatan arus satu jam sebelumnya (t-1) dan kecepatan arus pada saat ini (t). Untuk keluaran jaringan adalah kecepatan arus satu jam kedepan yaitu (t+1).Data yang digunakan untuk pengecekan ketepatan prediksi ketinggian kecepatan arus merupakan data satu bulan yaitu pada bulan Januari 2010 yang terdiri dari data per satu jam yang berjumlah 744 data dan data untuk training dari bulan Januari 2006 sampai Desember 2009. Data pada lokasi pengamatan di perairan Surabaya, Laut Jawa dan Perairan Banjarmasin didapatkan dari BMKG Perak Surabaya, sedangkan pada lokasi titik A, B dan C datanya didapatkan dengan cara interpolasi menggunakan interpolasi Lagrage. Data yang didapatkan dari BMKG dan perhitungan degan cara interpolasi Lagrange yang merupakan data hasil penggunaan software WindWave5 kemudian dibandingkan dengan data hasil pemodelan menggunakan ANFIS. Sehingga didapatkan RMSE validasi merupakan perbandingan antara hasil pemodelan menggunakan ANFIS dan data yang didapatkan dari BMKG. Pemodelan ANFIS akan digunakan untuk memprediksi kecepatan arus satu jam kedepan. Sebagai pembanding,dapat dilihat

Gambar 4.24 Error prediksi ketinggian gelombang satu jam kedepan di perairan Banjarmasin dengan ANFIS multi variate

Tabel 4.6 Perbandingan model ANFIS time series dan multi variate ANFIS

Prediksi

Ketinggian Gelombang Time Series

1 jam kedepan

Ketinggian Gelombang Multi Variate

1 jam kedepan

Jmlh data traini ng

Jmlh data valid asi

RMS E traini ng

RMS E Valid asi

3506 4

744

0.010 1397

0.018 41

3506 4

744

0.006 57

0.009 05

Dapat kita amati pada gambar di atas bahwa pada model ANFIS time series dan multi variate merupakan prediktor yang baik. Terlihat pada grafik tersebut, prediksi dari kedua model ini bisa mengikuti pola ketinggian gelombang yang terjadi di semua lokasi atau titik pengamatan.Pada studi ini ANFIS time series dan multi variate telah berhasil mempolakan ketinggian gelombang laut selama satu bulan. Dan model ini telah diuji untuk data tahun berikutnya dan terbukti bahwa model ini dapat memprediksi ketinggian gelombang laut dengan akurat untuk batas waktu 1 jam kedepan. Pada gambar 4.2, 4.6, 4.10, 4.14, 4.18 4.22 menunjukkan error prediksi ketinggian gelombang dengan model ANFIS time series yang terjadi di semua lokasi pengamatan setiap jamnya dan gambar 4.4, 4.8, 4.12, 4.16, 4.20, 4.24 menunjukkan error prediksi ketinggian gelombang dengan model ANFIS multi variate yang terjadi di semua lokasi pengamatan setiap jamnya. Dari gambar tersebut kita dapat mengetahui error dengan menggunakan kedua model ANFIS dengan data sebenarnya setiap jamnya. Dari tabel 4.1, 4.2, 4.3, 4.4 ,4.5 dan 4.6 dapat dilihat performansi dari kedua model ANFIS time series dan multi variate diatas dengan jelas bahwa prediksi untuk satu jam kedepan hasilnya lebih akurat model ANFIS time series daripada multi variate karena mempunyai RMSE validasi yang lebih kecil di semua lokasi pengamatan karena model ANFIS time series masih 12

pada gambar 4.25, 4.29, 4.33, 4.37, 4.41, dan 4.45 untuk model ANFIS time series, sedangkan untuk model ANFIS multi variate dapat dilihat pada gambar 4.27, 4.31, 4.35, 4.39, 4.43 dan 4.47. Dimana sumbu x menunjukkan waktu (t(jam)) dan sumbu y menunjukkan kecepatan arus (H(m)).Hasil dari pemodelan masing-masing metode dari semua tempat titik pengamatan dapat dilihat pada grafik di bawah ini. 1. Perairan Surabaya

Error Prediksi 3

2

error (cm/s)

1

0

-1

-2

-3

-4 0


200

300

400 500 Banyak Data

600

700

800

Gambar 4.28 Error prediksi kecepatan arus satu jam kedepan di perairan Surabaya dengan ANFIS multi variate

Predik si Validasi

20 Kecepatan Arus (cm/s)

100

Tabel 4.7 Perbandingan model ANFIS time series dan multi variate

15

ANFIS

Prediksi

Kecepatan Arus Time Series Kecepatan Arus Multi Variate

1 jam kedepan

10

5

0

0

200

400 Banyak Data

600

800

Gambar 4.25Prediksi kecepatan arus satu jam kedepan di perairan Surabaya aktual (biru) dan prediksi (pink) dengan ANFIS time series

2.

1 jam kedepan

Jmlh data traini ng

Jmlh data valid asi

RMS E traini ng

RMS E Valid asi

3506 4

744

0.331 40

3506 4

744

0.162 3 0.197 51

0.855 033

Titik A Validasi data bulan Januari 2010 70

Prediksi Validasi

Error Prediksi 5

60


4 3

Error (cm/s)

2 1 0 -1

50 40 30 20 10

-2 -3

0 0

100

200

300

400 500 Banyak Data

600

700

800

-10

Gambar 4.26 Error prediksi kecepatan arus satu jam kedepan di perairan Surabaya dengan ANFIS time series

0

100

200

300

400 500 Banyak Data

600

700

800

Gambar 4.29Prediksi kecepatan arus satu jam kedepan di titik A aktual (biru) dan prediksi (pink) dengan ANFIS time series


Error Prediksi 35

25

25

20 20

Error (cm/s)


30

15

10

15 10 5 0 -5

5

-10

0

-15

0

100

200

300

400 500 Banyak Data

600

700

800

0

100

200

300

400 500 Banyak Data

600

700

800

Gambar 4.30 Error prediksi kecepatan arus satu jam kedepan di titik A dengan ANFIS time series

Gambar 4.27 Prediksi kecepatan arus satu jam kedepan di perairan Surabaya aktual (biru) dan prediksi (hijau) dengan ANFIS multi variate

13

Error Prediksi


70

50

60

40 30

Error (cm/s)


50

40

30

20 10 0

20

-10

10 -20

0

0

100

200

300

400 500 Banyak data

600

700

0

100

200

300

800

400 500 Banyak Data

600

700

800

Gambar 4.34 Error prediksi kecepatan arus satu jam kedepan di titik B dengan ANFIS time series

Gambar 4.31 Prediksi kecepatan arus satu jam kedepan di titik A aktual (biru) dan prediksi (hijau) dengan ANFIS multi variate


Error Prediksi

80

25 20

70 Kecepatan Arus (cm/s)

15

Error (cm/s)

10 5 0 -5

60 50 40 30

-10 -15

20 0

100

200

300

400 500 Banyak Data

600

700

800

10

Gambar 4.32 Error prediksi kecepatan arus satu jam kedepan di titik A dengan ANFIS multi variate Tabel 4.8Perbandingan model ANFIS time series dan multi variate


Prediksi


Jmlh data valid asi

RMS E traini ng

RMS E Valid asi

8761

744

0.50 7462

2.20 38

0

100

200

300

400 500 Banyak Data

600

700

800

Gambar 4.35 Prediksi kecepatan arus satu jam kedepan di titik B aktual (biru) dan prediksi (hijau) dengan ANFIS multi variate Error Prediksi 25 20 15 10

8761

744

0.62 17

Error (cm/s)

ANFIS

Jmlh data traini ng

0

2.30 961

5 0 -5

Tiktik B

3.

-10 -15


Predik si Validasi

80

-20

100

200

60 50 40 30

ANFIS

Prediksi


1 jam kedepa n 1 jam kedepa n

20 10 0 -10

300

400 500 Banyak Data

600

700

800

Gambar 4.36 Error prediksi kecepatan arus satu jam kedepan di titik B dengan ANFIS multi variate Tabel 4.9 Perbandingan model ANFIS time series dan multi variate

70


0

0

200

400 Banyak Data

600

800

Gambar 4.33Prediksi kecepatan arus satu jam kedepan di titik B aktual (biru) dan prediksi (pink) dengan ANFIS time series

14

Jmlh data traini ng

Jmlh data valid asi

RMS E traini ng

RMS E Valid asi

8761

744

0.75 285

3.61 466

8761

744

0.87 16

2.63 006

4.

Laut Jawa

Tabel 4.10 Perbandingan model ANFIS time series dan multi variate


Predik si Validasi

80

ANFIS

Prediksi


1 jam kedepan


70 60 50 40 30 20 10

5.

0

1 jam kedepan

Jmlh data traini ng

Jmlh data valid asi

RMS E traini ng

RMS E Valid asi

3506 4

744

0.68 985

1.55 217

3506 4

744

0.86 069

1.77 666

Titik C Validasi data bulan Januari 2010

-10

80

0

200

400 Banyak Data

600

70

Gambar 4.37Prediksi kecepatan arus satu jam kedepan di laut Jawa aktual (biru) dan prediksi (pink) dengan ANFIS time series


60

Error Prediksi 15

10

Error (cm/s)

Predik si Validasi

800

50 40 30

5

20

0

10

-5

0

0

200

-10

0

100

200

300

400 500 Banyak Data

600

700

800

Gambar 4.38 Error prediksi kecepatan arus satu jam kedepan di laut Jawadengan ANFIS time series

Error Prediksi


10

90

5

Error (cm/s)

80


800

15

100

70

0

60 -5

50 -10

40 30

-15

20

0

0

100

200

300

400 500 Banyak Data

600

700

800

100

200

300

400 500 Banyak Data

600

700

800


Gambar 4.39 Prediksi kecepatan arus satu jam kedepan di laut Jawa aktual (biru) dan prediksi (hijau) dengan ANFIS multi variate

80 70 60

Error Prediksi


15

10

5

0

50 40 30 20

-5

-10

10

-15

0

-20

0

Gambar 4.42 Error prediksi kecepatan arus satu jam kedepan di titik C dengan ANFIS time series

10

Error (cm/s)

600

Gambar 4.41Prediksi kecepatan arus satu jam kedepan di titik C aktual (biru) dan prediksi (pink) dengan ANFIS time series

-15

-20

400 Banyak Data

0

100

200

300

400 500 Banyak Data

600

700

0

100

200

300

400 500 Banyak Data

600

700

800

Gambar 4.43 Prediksi kecepatan arus satu jam kedepan di titik C aktual (biru) dan prediksi (hijau) dengan ANFIS multi variate

800

Gambar 4.40 Error prediksi kecepatan arus satu jam kedepan di laut Jawa dengan ANFIS multi variate

15


Error Prediksi 80

15

70

10


60

Error (cm/s)

5

0

-5

50 40 30 20 10

-10

0

-15

0

100

200

300

400 500 Banyak Data

600

700

1 jam kedepan

Kecepatan Arus Multi Variate

1 jam kedepan

Jmlh data valida si

RMS E traini ng

RMS E Valid asi

8761

744

0.431

1.129 8

0 -2

744

0.514 6

1.192 1


50 40 30 20 10

400 Banyak Data

600

Error Prediksi 3

2

Error (cm/s)

1

0

-1

-2

-3

400 500 Banyak Data

600

700

100

200

300

400 500 Banyak Data

600

700

800

ANFIS

Prediksi



Jmlh data traini ng

Jmlh data valid asi

RMS E traini ng

RMS E Valid asi

3506 4

744

0.43 9443

0.47 03

3506 4

744

0.66 64

0.72 269

Dari gambar di atas dapat disimpulkan bahwa pada model ANFIS time series dan multi variate merupakan prediktor yang baik.Terlihat pada grafik tersebut, prediksi dari kedua model ini bisa mengikuti pola ketinggian gelombang yang terjadi di semua lokasi atau titik pengamatan. Pada studi ini ANFIS time series dan multi variate telah berhasil mempolakan ketinggian gelombang laut selama satu bulan. Namun pada lokasi pengamatan titik B, RMSE validasi pada model ANFIS time series lebih besar daripada model ANFIS multi variate.Ini disebabkan karena pada prediksi menggunakan model ANFIS time series variabel input sangat tinggi sehingga dapat mempengaruhi performansi ANFIS time series. Pada lokasi pengamatan titik A pada model ANFIS multi variate dan B pada model ANFIS time series

800

Gambar 4.45Prediksi kecepatan arus satu jam kedepan di perairan Banjarmasin aktual (biru) dan prediksi (pink) dengan ANFIS time series

300

0

Gambar 4.48 Error prediksi kecepatan arus satu jam kedepan di perairan Banjarmasin dengan ANFIS multi variate Tabel 4.12 Perbandingan model ANFIS time series dan multi variate

60

200

4

-4

8761

70

100

800

6

Predik si Validasi

-4 0

700

8

Validasi data bulan Januari 2010

200

600

2

80

0

400 500 Banyak Data

10

Perairan Banjarmasin

0

300

12

Error (cm/s)

Kecepatan Arus Time Series

6.

Jmlh data traini ng

Prediksi

200

Error Prediksi

Tabel 4.11Perbandingan model ANFIS time series dan ANFIS

100

Gambar 4.47 Prediksi kecepatan arus satu jam kedepan di perairan Banjarmasin aktual (biru) dan prediksi (hijau) dengan ANFIS multi variate

Gambar 4.44 Error prediksi kecepatan arus satu jam kedepan di titik C dengan ANFIS multi variate multi variate

0

800

800

Gambar 4.46 Error prediksi kecepatan arus satu jam kedepan di perairan Banjarmasin dengan ANFIS time series

16

terjadi anomali pada jam ke-265 dan ANFIS dapat mengikuti pola meski errornya jauh lebih besar dibandingkan dengan data selanjutnya. Dapat disimpulkan bahwa ANFIS peka tehadap jangkauan data dari variabel input. Dan model ini telah diuji untuk data tahun berikutnya dan terbukti bahwa model ini dapat memprediksi ketinggian gelombang laut dengan akurat untuk batas waktu 1 jam kedepan. Pada gambar 4.26, 4.30, 4.34, 4.38, 4.42 4.46 menunjukkan error prediksi kecepatan arus dengan model ANFIS time series yang terjadi di semua lokasi pengamatan setiap jamnya dan gambar 4.28, 4.32, 4.36, 4.40, 4.44, 4.48 menunjukkan error prediksi kecepatan arus dengan model ANFIS multi variate yang terjadi di semua lokasi pengamatan setiap jamnya. Dari gambar tersebut kita dapat mengetahui error dengan menggunakan kedua model ANFIS dengan data sebenarnya setiap jamnya. Dari tabel 4.7, 4.8, 4.9, 4.10 ,4.11 dan 4.12 dapat dilihat performansi dari kedua model ANFIS time series dan multi variate diatas dengan jelas bahwa prediksi untuk satu jam kedepan hasilnya lebih akurat model ANFIS time series daripada multi variate karena mempunyai RMSE yang lebih kecil di semua lokasi pengamatan kecuali pada lokasi pengamatan titik B.

0.01263 m untuk peramalan 1 jam ke depan pada titik A, 0.01543 m untuk peramalan 1 jam ke depan pada titik B, 0.01277m untuk peramalan 1 jam ke depan pada laut Jawa, 0.01108 m untuk peramalan 1 jam ke depan pada titik C, dan 0.01841 m untuk peramalan 1 jam ke depan pada perairan Banjarmasin. Sedangkan nilai RMSE validasi untuk ketinggian gelombang menggunakan model ANFIS multi variate pada bulan Januari 2010 dengan jumlah data 744 adalah 0.005767m untuk peramalan 1 jam ke depan pada perairan Surabaya, 0.01649m untuk peramalan 1 jam ke depan pada titik A, 0.01825m untuk peramalan 1 jam ke depan pada titik B, 0.01418m untuk peramalan 1 jam ke depan pada laut Jawa, 0.01673m untuk peramalan 1 jam ke depan pada titik C dan 0.00905 m untuk peramalan 1 jam ke depan pada perairan Banjarmasin. Pada peramalan untuk kecepatan arus, nilai RMSE validasi untuk kecepatan arus menggunakan model ANFIS time series pada bulan Januari 2010 dengan jumlah data 744 adalah 0.33140 cm/s untuk peramalan 1 jam ke depan pada perairan Surabaya, 2.2038 cm/s untuk peramalan 1 jam ke depan pada titik A, 3.61466 untuk peramalan 1 jam ke depan pada titik B, 1.55217 cm/s untuk peramalan 1 jam ke depan pada laut Jawa, 1.1298 cm/s untuk peramalan 1 jam ke depan pada titik C, dan 0.4703 cm/s untuk peramalan 1 jam ke depan pada perairan Banjarmasin. Sedangkan nilai RMSE validasi untuk kecepatan arus menggunakan model ANFIS multi variate pada bulan Januari 2010 dengan jumlah data 744 adalah 0.855033cm/s untuk peramalan 1 jam ke depan pada perairan Surabaya, 2.3096 cm/s untuk peramalan 1 jam ke depan pada titik A, 2.62006 cm/s untuk peramalan 1 jam ke depan pada titik B, 1.77666 cm/s untuk peramalan 1 jam ke depan pada laut Jawa, 1.1921 cm/s untuk peramalan 1 jam ke depan pada titik C, dan dan 0.72269cm/s untuk peramalan 1 jam ke depan pada perairan Banjarmasin. Selanjutnya penelitian sebelumnya tentang prediksi cuaca maritim pada di wilayah Pelabuhan Tanjung Perak Surabaya (Ardian Candra, 2010) mempunyai nilai RMSE validasi = 0.146218 cm/s untuk memprediksi kecepatan arus dan nilai RMSEvalidasi = 0.00638908 m untuk memprediksi ketinggian gelombang. Sebagai tambahan, peneliti melakukan perbandingan antara memprediksi ketinggian gelombang dan kecepatan arus menggunakan ANFIS dengan mengolah data secara statistik menggunakan software Minitab 15.

C.

Pembahasan Variabel cuaca maritim akan diprediksi yaitu kecepatan arus (m/s) dan ketinggian gelombang (m). Data yang digunakan untuk proses pemodelan menggunakan data dari Januari tahun 2006 hingga Januari tahun 2010 di titik pengamatan 3.540425oS 113.90880oE (Perairan Banjarmasin),4,648136oS-113,908806oE(Laut Jawa) dan 6.874824oS – 112.747800oE (Perairan Surabaya). Data yang digunakan berupa data per jam yang didapatkan dari BMKG Perak II Surabaya. Sedangkan titik A, B dan C diperoleh dengan interpolasi menggunakan interpolasi lagrange. Pada peramalan untuk ketinggian gelombang dan kecepatan arus menggunakan model ANFIS, data sebenarnya dengan data hasil peramalan mengenai ketinggian gelombang dan kecepatan arus kemudian dibandingkan dan dibuat presentase keakuratannya yang diwakili oleh RMSE. Data yang digunakan untuk pengecekan adalah data per jam selama satu bulan yaitu pada bulan Januari 2010 dan data training digunakan dari tahun 2006 sampau 2009. Adapun nilai RMSE validasi untuk ketinggian gelombang menggunakan model ANFIS time series pada bulan Januari 2010 dengan jumlah data 744 adalah 0.00545 m untuk peramalan 1 jam ke depan pada perairan Surabaya, 17

Memprediksi cuaca maritim menggunakan software Minintab 15 didapatkan prediksi ketinggian gelombang secara time series dengan nilai RMSE validasi yaitu 0.005472 m untuk peramalan 1 jam ke depan pada perairan Surabaya, 0.01245 m untuk peramalan 1 jam ke depan pada titik A, 0.01535 m untuk peramalan 1 jam ke depan pada titik B, 0.012687m untuk peramalan 1 jam ke depan pada laut Jawa, 0.011084 m untuk peramalan 1 jam ke depan pada titik C, dan 0.008822 m untuk peramalan 1 jam ke depan pada perairan Banjarmasin. Sedangkan nilai RMSE validasi untuk ketinggian gelombang secara multi variate adalah 0.00534m untuk peramalan 1 jam ke depan pada perairan Surabaya, 0.01241m untuk peramalan 1 jam ke depan pada titik A, 0.01529m untuk peramalan 1 jam ke depan pada titik B, 0.01266m untuk peramalan 1 jam ke depan pada laut Jawa, 0.01105 m untuk peramalan 1 jam ke depan pada titik C dan 0.00879m untuk peramalan 1 jam ke depan pada perairan Banjarmasin. Dan prediksi ketinggian gelombang dan kecepatan arus menggunakan software Minintab 15 didapatkan prediksi kecepatan arus secara time series dengan nilai RMSE validasi yaitu 0.3509 c/m untuk peramalan 1 jam ke depan pada perairan Surabaya, 1.3474 c/m untuk peramalan 1 jam ke depan pada titik A, 1.7968 c/m untuk peramalan 1 jam ke depan pada titik B, 1.01950c/m untuk peramalan 1 jam ke depan pada laut Jawa, 1.57449 c/m untuk peramalan 1 jam ke depan pada titik C, dan 0.45619 c/m untuk peramalan 1 jam ke depan pada perairan Banjarmasin. Sedangkan nilai RMSE validasi untuk kecepatan arus secara multi variate adalah 0.3488c/m untuk peramalan 1 jam ke depan pada perairan Surabaya, 1.3360c/m untuk peramalan 1 jam ke depan pada titik A, 1.7782c/m untuk peramalan 1 jam ke depan pada titik B, 1.54811c/m untuk peramalan 1 jam ke depan pada laut Jawa, 1.0065 c/m untuk peramalan 1 jam ke depan pada titik C dan 0.4554c/m untuk peramalan 1 jam ke depan pada perairan Banjarmasin. Dari perbandingan nilai RMSE validasi antara menggunakan ANFIS dan mengolah data secara statistik dalam memprediksi ketinggian gelombang dan kecepatan arus di atas, dapat disimpulkan bahwa dalam memprediksi ketinggian gelombang dan kecepatan arus dengan mengolah data secara statistik dengan software Minitab 15 lebih baik dibandingkan dengan metode ANFIS karena memiliki RMSE validasi yang lebih kecil di semua lokasi pengamatan kecuali pada lokasi pengamatan di perairan Surabaya dan kecepatan arus di laut jawa dan pada penelitian ini juga nilai RMSE validasi lebih besar daripada nilai RMSE training di semua lokasi pengamatan. Hal ini

disebabkan karena pada ANFIS, nilai/range dari varibel input yang di validasi berada di luar range dari input yang di training sehingga RMSE validasi menjadi lebih besar sehingga error rata-rata dengan data sesungguhnya menjadi lebih besar dalam memprediksi cuaca maritim di pelayaran Surabaya-Banjarmasin. Tetapi kelemahan dari metode statistik yaitu tidak dapat digunakan untuk memprediksi cuaca maritim. Dengan nilai RMSE validasi ketinggian gelombang maupun kecepatan arus baik menggunakan model ANFIS time series dan multi variate yang telah disebutkan di atas, dapat disimpulkan bahwa model ANFIS time series lebih akurat daripada model ANFIS multi variate. Hal ini terbukti karena model ANFIS time series memiliki RMSE validasi yg lebih kecil daripada model ANFIS multi variate di semua lokasi pengamatan. Sehinggamemprediksi cuaca maritim untuk meningkatkan jangkauan ramalan cuaca maritim yang akurat menggunakan model ANFIS time series sehingga didapatkan rekomendasi untuk berlayar di pelayaran Surabaya-Banjarmasin. Sebagai tambahan, hasil pemodelan ANFIS multi variate untuk memprediksi ketinggian gelombang serta RMSE validasi di semua lokasi pengamatan pada 3 jam kedepan, 5 jam kedepan dan 10 jam kedepan dapat dilihat di lampiran C pada laporan Tugas Akhir. V.

KESIMPULAN DAN SARAN

A. Kesimpulan Berdasarkan studi yang telah dilakukan, dapat disimpulkan bahwa: 1. Hasil validasi perancangan model cuaca maritim menggunakan metode ANFIS menghasilkan parameter spesifikasi seperti berikut :  Untuk prediksi kecepatan arus laut dengan model ANFIS time series menghasilkan nilai RMSE validasi 0.33140 cm/s untuk peramalan pada perairan Surabaya, 2.2038 cm/s untuk peramalan pada titik A, 3.61466 untuk peramalan pada titik B, 1.55217 cm/s untuk peramalan pada laut Jawa, 1.1298 cm/s untuk peramalan pada titik C, dan 0.4703 cm/s untuk peramalan 1 jam ke depan pada perairan Banjarmasin.  Untuk prediksi kecepatan arus laut ANFIS multi variate dengan model ANFIS time series menghasilkan RMSE validasi 0.855033 cm/s untuk peramalan 18

pada perairan Surabaya, 2.3096 cm/s untuk peramalan pada titik A, 2.62006 cm/s untuk peramalan pada titik B, 1.77666 cm/s untuk peramalan pada laut Jawa, 1.1921 cm/s untuk peramalan pada titik C, dan dan 0.72269 cm/s untuk peramalan pada perairan Banjarmasin.  Untuk prediksi ketinggian gelombang laut dengan model ANFIS multi variate menghasilkan nilai RMSE validasi 0.00545 m untuk peramalan pada perairan Surabaya, 0.01263 m untuk peramalan pada titik A, 0.01543 m untuk peramalan pada titik B, 0.01277 m untuk peramalan pada laut Jawa, 0.01108 m untuk peramalan pada titik C, dan 0.01841 m untuk peramalan pada perairan Banjarmasin.  Untuk prediksi ketinggian gelombang laut dengan model ANFIS multi variate menghasilkan nilai RMSE validasi 0.005767 m untuk peramalan pada perairan Surabaya, 0.01649 m untuk peramalan pada titik A, 0.01825 m untuk peramalan pada titik B, 0.01418 m untuk peramalan pada laut Jawa, dan 0.01673 m untuk peramalan pada perairan Banjarmasin. 2. Penggunaan model ANFIS time series dalam penelitian ini menghasilkan RMSE validasi yang lebih kecil dibandingkan menggunakan model ANFIS multi variate yg tertulis pada kesimpulan nomor 1 di semua lokasi pengamatan kecuali pada kecepatan arus di titik B, misalnya pada lokasi pengamatan di perairan Surabaya ketinggian gelombang menggunakan ANFIS time series nilai RMSE validasinya sebesar 0.00545 m dan menggunakan ANFIS multi variate nilai RMSE validasinya sebesar 0.005767. 3. Metode statistik dengan memakai software Minitab 15 lebih baik daripada menggunakan model ANFIS yang tertulis di bab 4 pada sub bab C karena mempunyai RMSE validasi yang lebih kecil dibandingkan dengan ANFIS, tetapi metode statistik sangat sulit untuk memprediksi ketinggian gelombang dan kecepatan arus laut karena membutuhkan banyak data untuk membuat regresi yang baru, seperti nilai RMSE validasi secara time series menggunakan statistik 0.012687 m untuk peramalan 1 jam ke depan pada laut Jawa edan menggunakan ANFIS time series nilai RMSE validasi yaitu 0.01418 m untuk peramalan 1 jam ke depan pada laut Jawa B.

dilakukan perubahan parameter premis dan konsekuen pada ANFIS untuk meningkatkan keakuratan prediksi cuaca untuk kelayakan pelayaran Surabaya-Banjarmasin. DAFTAR PUSTAKA

[1] Meilanitasari, Prita,” Prediksi Cuaca Menggunakan Logika Fuzzy untuk Kelayakan Pelayaran di Tanjung Perak Surabaya”, Tugas Akhir Teknik Fisika ITS Surabaya 2010. [2] Regarina, Cut Meurah. 2005. Atmosfer (Cuaca dan Iklim). [pdf], http://elcom.umy.ac.id/elschool/muallimi n_muhammadiyah/file.php/1/materi/Geog rafi/ATMOSFER%20%28Cuaca%20dan %20Iklim%29.pdf , (diakses Februari 2010) [3] Waldopo. 2008. Perairan Darat dan Laut. [pdf], http://elcom.umy.ac.id/elschool/muallimi n_muhammadiyah/file.php/1/materi/Geog rafi/PERAIRAN%20DARAT%20DAN% 20LAUT.pdf , (diakses Februari 2010). [4] Widjiantoro, “Jaringan Syaraf Tiruan” , Bumi Permai, Jakarta, 2000. [5] Fossen,thor.I.1994.Guidance and Control of Ocean Vehicles. Chichester: John Wiley & Sons.Ltd [6] Arifin, Syamsul. 2009. Sistem Logika Fuzzy sebagai Peramal Cuaca di Indonesia, studi kasus: Kota Surabaya [7] Arifin, Syamsul. 2009. Design and Development of Weather Forcast Simulators for Surabaya City by Using Neural Network. [8] Kresnawan, Andre. 2009. Tugas Akhir: Penerapan model Jaringan Syaraf Tiruan untuk Memprediksi Gangguan Cuaca maritim. Teknik Fisika-FTI-ITS Surabaya [9] Candra, Ardian. 2010. Tugas Akhir:Perancangan Model Adaptive Nuro Fuzzy Inference System untuk Memprediksi Cuaca Maritim. Teknik Fisika-FTI-ITS Surabaya [10] Kusumadewi, Sri. 2006. “Neuro-Fuzzy: Integral system Fuzzy dan Jaringan Saraf Tiruan”. Yogyakarta: graha Ilmu [11] Jang J.-S.R., Sun C.-T., Mizutani E. Neuro-fuzzy and soft computing. A computational approach

Saran

Saran yang perlu disampaikan untuk pengembangan penelitian ini adalah perlunya 19

Biodata Penulis:

Nama TTL Alamat Email

: Riky Jaya Sampurna : Sampang, 01 Januari 1989 : Jl. Nyamplungan IX/72 Surabaya : [email protected]

Pendidikan : SDN Banyuanyar ISampang (1995 - 2001) SMP Negeri 1 Sampang (2001 - 2004) SMA Negeri 1 Sampang (2004 - 2007) Teknik Fisika FTI-ITS (2007-sekarang)

20

ITS Undergraduate 16172 2407100011 Paperpdf

Recommend Documents