PERANCANGAN SISTEM PREDIKSI SUHU PERMUKAAN LAUT DENGAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM

1

PERANCANGAN SISTEM PREDIKSI SUHU PERMUKAAN LAUT DENGAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) PADA MARITIME WEATHER STATION DI PERAIRAN DANGKAL JAWA TIMUR I Kadek Budi Utama Putra, Dr. Ir. Aulia Siti Aisjah, M.T., Ir. Syamsul Arifin, ST., M.T. Jurusan Teknik Fisika, Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 E-mail: [email protected] Abstrak— Suhu permukaan laut adalah salah satu parameter penting yang dapat digunakan untuk menentukan kualitas suatu perairan. Data suhu permukaan laut dapat digunakan untuk mempelajari gejala-gejala fisika di dalam laut. Pada penelitian ini dilakukan prediksi suhu permukaan laut pada perairan laut dangkal Jawa Timur. Faktor-faktor yang digunakan dalam memprediksi suhu permukaan laut dalam penelitian ini adalah lamanya penyinaran matahari, intensitas cahaya matahari, suhu udara dan kecepatan angin. Sedangkan metode yang digunakan untuk memprediksi adalah Adaptive Neuro Fuzzy Inference System (ANFIS). Software yang telah dibuat divalidasi dengan membandingkan hasil prediksi software dengan hasil pengukuran suhu permukaan laut yang sebenarnya. Paramater yang digunakan dalam penelitian ini adalah RMSE dan tingkat akurasi memprediksi. Berdasarkan hasil penelitian yang telah dilakukan, Metode ANFIS (Adaptif Neuro Fuzzy Inference System) dapat diterapkan untuk merancang sistem prediksi suhu permukaan laut dengan tipe data non-linear. RMSE yang dihasilkan pada saat training adalah pada kedalaman 1 meter 0,810825, pada kedalaman 3 meter 0,810805, pada kedalaman 5 meter 0,811236. Nilai rata-rata akurasi prediksi yang dihasilkan pada kedalaman 1 meter, 3 meter, 5 meter adalah 79,97601%, 79,98082%, dan 79,96716%. Kata Kunci—ANFIS, intensitas cahaya matahari, kecepatan angin, lama penyinaran matahari, suhu permukaan laut , suhu udara, tingkat akurasi

I

I. PENDAHULUAN

ndonesia merupakan negara kepulauan yang diapit antara dua benua yaitu benua Asia dan Benua Australia. Selain itu letaknya yang diapit oleh dua benua, Indonesia juga memiliki iklim tropis dengan penyinaran sinar matahari sepanjang tahunnya karena terletak disekitar garis khatulistiwa. Indonesia juga merupakan negara kepulauan yang memiliki potensi melimpah di bidang kelautan. Kondisi ini didukung dengan fakta geografis Indonesia yang memiliki wilayah perairan laut yang lebih luas daripada wilayah daratan yaitu sekitar 70% dari luas keseluruhan Negara Indonesia[1]. Pada saat ini telah dibangun weather station untuk memantau cuaca dan iklim yang terdapat di suatu tempat. Pada wilayah perairan, weather station akan memperoleh data-data hasil pengukuran cuaca di suatu area yang dilakukan oleh alat ukur yang tertempel pada buoy laut (pelampung). Alat ukur yang tertempel pada buoy laut (pelampung) tersebut antara lain adalah alat ukur untuk mengukur tekanan udara sekitar, alat ukur untuk mengetahui arah angin pada area buoy laut

(pelampung) tersebut, dan alat ukur untuk mengukur temperatur (suhu) pada area buoy laut (pelampung) tersebut. Dalam kasus ini perlu ditambahkan adanya suatu sistem prediksi untuk mengetahui kondisi terkini dan beberapa hari kedepan dari suhu permukaan laut. Dalam penelitian ini dapat membantu BMKG dalam pengambilan data suhu air di lautan yang sulit dilakukan sebelumnya, karena selain faktor berbahayanya kondisi ditengah lautan, faktor biaya yang begitu biaya yang begitu tinggi juga tidak dapat dihindarkan. Metode yang digunakan dalam memprediksi suhu permukaan laut disini adalah ANFIS (Adaptive Neuro Fuzzy Inference System). Hasil dari prediksi suhu permukaan laut ini dapat digunakan untuk meningkatkan kualitas ramalan cuaca, meningkatkan keamanan dan kenyaman pelaut ataupun pengunjung ke wilayah laut dangkal bila dibandingkan dengan cara statistik yang saat ini digunakan di BMKG dan bahkan dapat digunakan pada dunia industri serta dapat membantu BMKG dalam pengambilan data suhu air laut yang jaraknya sangat jauh dari tepi pantai. Pada penelitian tugas akhir ini akan diuraikan tentang aplikasi dari metode ANFIS (Adaptive Neuro Fuzzy Inference System) untuk memprediksi kondisi terkini dan beberapa hari kedepan dari suhu permukaan permukaan laut pada Maritime Weather Station di perairan dangkal Jawa Timur. II. URAIAN PENELITIAN A. Stasiun Cuaca (Weather Station) Stasiun cuaca (weather station) sendiri adalah alat yang digunakan untuk mengetahui kondisi cuaca dan iklim pada suatu wilayah dan juga memberikan informasi prakiraan cuaca, guna menunjang penyediaan informasi dan prakiraan cuaca pada wilayah tersebut[3]. Weather station itu sendiri dilengkapi dengan instrumen dan peralatan elektrik yang digunakan untuk mengamati kondisi atmosfer. B. Suhu Permukaan Laut (SPL) Suhu permukaan laut (SPL) merupakan faktor yang perlu banyak dikaji. Data dari suhu permukaan laut ini cocok digunakan untuk mengetahui atau memprediksi cuaca di lautan dan terkait dengan kehidupan alam bawah lautnya. Suhu permukaan laut mempunyai hubungan dengan keadaan lapisan air laut yang terdapat di bawahnya, sehingga data suhu permukaan laut dapat digunakan sebagai indikator untuk mendeteksi fenomena yang terjadi dilaut seperti front

2 (pertemuan dua massa air), arus, pengangkatan massa upwelling dan aktivitas biologis organism[1]. C. Faktor yang mempengaruhi perubahan suhu air laut Perubahan suhu permukaan laut dipengaruhi oleh beberapa faktor, yaitu letak ketinggian dari permukaan laut dan kedalaman, intensitas radiasi cahaya matahari, presipitasi dan evaporasi, kecepatan angin dan sirkulasi udara. Berdasarkan letak ketinggian, Suhu akan menurun secara teratur sesuai dengan kedalaman. Hal ini disebabkan karena pengaruh intensitas cahaya matahari yang masuk ke dalam air yang menyebabkan semakin dalam suatu perairan suhunya pun semakin rendah. Dan pada kedalaman melebihi 1000 meter suhu air relative konstan yaitu 2oC – 4oC. Intensitas radiasi matahari yang benar-benar sampai ke permukaan Bumi atau biasa disebut Insolasi bergantung pada sudut datang sinar matahari mengenai permukaan. Distribusi temperatur permukaan ini bervariasi terhadap lintang karena bumi berevolusi terhadap matahari[8]. Berdasarkan garis lintang, distribusi temperatur permukaan terbesar terjadi pada daerah ekuator. Insolasi maksimum pada daerah ekuator ini terjadi pada bulan Maret dan September dimana matahari tepat berada diatas kepala saat tengah hari. Di daerah kutub terjadi insolasi hanya setengah tahun karena bumi memiliki kemiringan terhadap sumbu sebesar 23,45 o, dimana di daerah ini bisa cerah seharian penuh pada musim panas dan gelap seharian penuh ketika musim dingin. Pergerakan air di lautan tidak statis. Beberapa sebaran air di lautan dapat bergerak sejauh jarak yang sama dengan circum-navigasi global dalam beberapa tahun, namun rerata struktur temperatur di tempat tertentu tetap sama. Dengan demikian, temperatur air laut yang berada di bawah lapisan permukaan mengalami sedikit perubahan setiap tahun. Angin yang kuat dapat menyebabkan busa dan merusak lapisan juga menyimpan gelembung-gelembung udara. Kecepatan angin akan mempengaruhi tegangan permukaan air laut seperti halnya di permukaan air tawar, namun tegangan suhu permukaan air laut lebih lemah jika dibandingkan dengan tegangan permukaan air tawar sehingga air laut lebih mudah pecah menjadi busa bila diganggu oleh gelombang permukaan.

If x is A1 and y is B1 then f1 = p1x + q1y +r1

(1)

If x is A2 and y is B2 then f2 = p2x + q2y +r2

(2)

1 merupakan struktur dasar ANFIS dengan 2 input dan 1 output. Berikut merupakan langkah-langkah dari algoritma ANFIS  Lapisan 1, persamaan yang digunakan pada lapisan 1 berdasarkan fungsi keanggotaan yang digunakan,

Gambar. 1. Arsitektur ANFIS[5]

misalkan fungsi yang digunakan pada lapisan 1 ini adalah fungsi keanggotaan gaussian :

𝑂1,𝑖 = 𝜇𝐴𝑖 𝑥 = 𝑒 𝑂1,𝑖 = 𝜇𝐵𝑖 𝑦 = 𝑒

Adaptive Neuro Fuzzy Inference System (ANFIS) ANFIS merupakan suatu teknik optimasi yang menggabungkan jaringan syaraf dan logika Fuzzy[5]. Jaringan syaraf ditentukan oleh pola hubungan antara neuron disebut arsitektur jaringan, metode dalam mendapatkan bobot penghubung yang disebut metode training, learning atau algoritma., terakhir Jaringan syaraf juga ditentukan oleh fungsi aktivasi yang terdiri dari Fungsi Aktivasi Threshold, Sigmoid dan Identitas. Salah satu struktur jaringan saraf tiruan adalah Multilayer Perceptron (MLP). Jaringan ini bertipe umpan maju dan mampu menyelesaikan masalah yang rumit dengan menggunakan Error Backpropagation (EBP) atau algoritma propagasi balik. Fuzzy Inference System (FIS) adalah sistem dengan pengetahuan linguistik yang mudah dimengerti dan dapat dijalankan pada algoritma propagasi balik berdasarkan pasangan data masukan dan keluaran dari jaringan syaraf tiruan. Mekanisme FIS dengan dua masukan x dan y, dan satu keluaran y ditunjukkan dengan aturan if-then seperti berikut :

− 𝑦 −𝑐 2 2𝜎 2

𝑢𝑛𝑡𝑢𝑘 𝑖 = 1,2 (3) 𝑢𝑛𝑡𝑢𝑘 𝑖 = 1,2 (4)

Pada lapisan 1 ini setiap simpul i merupakan simpul adaptif dengan masukan x dan y, dimana x dan y merupakan label linguistik contohnya seperti besar dan kecil atau tinggi dan rendah. Keluaran dari lapisan ini adalah nilai derajat keanggotaan. Fungsi keangotaan untuk A dengan fungsi yang ditentukan seperti berikut : 1

𝜇𝐴 𝑥 = 1+

D.

− 𝑥 −𝑐 2 2𝜎 2

𝑥 − 𝑐1 𝑎𝑖

2𝑏

(5)

Nilai dari ai, bi, ci pada lapisan 1 ini merupakan parameter set atau yang lebih dikenal dengan parameter premis (Jang, 1993).  Pada lapisan 2, setiap keluran dari lapisan 1 dijadikan masukan dan dikalikan. Keluaran dari lapisan 2 ini mendefinisikan derajat pengaktifan dari aturan fuzzy.

𝑂2,𝑖 = 𝑤𝑖 = µ𝐴𝑖 𝑥 . µ𝐵𝑖 𝑥 , 𝑖 = 1,2

(6)

Pada lapisan ini, setiap keluaran dari simpul menunjukkan derajat pengaktifan dari sebuah aturan fuzzy, ini menunjukkan bahwa banyaknya simpul yang dibentuk pada lapisan 2 akan membentuk banyaknya aturan.

3  Pada lapisan 3, menghitung rasio simpul ke-i terhadap derajat pengaktifan aturan ke-i dengan menjumlahkan semua derajat pengaktifan aturan. Keluarannya berupa derajat pengaktifan ternormalisasi (normalized firing strengths).

𝑂3,𝑖 = 𝑤𝑖 = 𝑤

𝑤𝑖

1 +𝑤 2

, 𝑢𝑛𝑡𝑢𝑘 𝑖 = 1,2

(7)

 Pada lapisan 4, setiap simpul i merupakan simpul adaptif.

𝑂4,𝑖 = 𝑤𝑖 𝑓𝑖 = 𝑤𝑖 ( 𝑝𝑖 𝑥 + 𝑞𝑖 𝑦 + 𝑟𝑖 )

(8)

Dimana 𝑤 merupakan derajat pengaktifan ternormalisasi dari lapisan 3. Nilai dari (pi, qi, ri) adalah parameter set terhadap simpul ini. Parameter dari simpul dalam lapisan ini disebut parameter konsekuen.

disediakan juga data untuk melakukan pengujian terhadap software yang dibuat, data ini biasa disebut data testing. Setelah menentukan struktur dari model ANFIS, jenis fungsi keanggotaan, dan basis aturan, kemudian data masing-masing diuji tingkat akurasinya. Data prediksi hasil model ANFIS di validasi dengan data aktual dari BMKG, dengan cara mencocokan hasil keluaran dengan data aktual, apabila hasil keluaran model sesuai dengan variabel linguistik data aktual, maka pada hari tersebut bernilai tepat. Sebaliknya, apabila hasil keluaran model tidak sama dengan variabel linguistik data aktual maka pada hari tersebut bernilai tidak tepat (error). Setelah hasil validasi memenuhi kriteria, maka model akhir sistem prediksi suhu permukaan laut berbasis ANFIS dapat diimplementasikan ke dalam bentuk software. Perancangan software ini menggunakan bahasa pemrograman Graphic User Interface (GUI). Alur penelitian tugas akhir yang telah dijelaskan tersebut, dapat dilihat pada diagram alir berikut : Mulai

 Pada lapisan 5, merupakan simpul yang menjumlahkan semua sinyal masukan dari keluaran lapisan 4. Pada lapisan 5 ini kemudian akan digunakan untuk mengambil keputusan. 𝑂5,𝑖 =

𝑖

𝑤𝑖 𝑓𝑖 =

𝑖 𝑤 𝑖 𝑓𝑖

𝑤𝑖

Studi Literatur Pengambilan Data Pengolahan Data

(9)

Perancangan Model ANFIS Validasi Model ANFIS Tidak

E.

Root Mean Square Error (RMSE) RMSE merupakan cara untuk menghitung kesalahan dari ANFIS. Metode ini berguna untuk mengevaluasi kesalahan dengan cara menghitung data actual dengan data ideal, kemudian dikuadratkan dan diakar, kemudian dijumlahkan dan dibagi berdasarkan banyak data.

𝑅𝑀𝑆𝐸 =

𝑛 𝑖=1

(𝑥 𝑖 −𝑓 𝑖 )2 𝑛

(10)

dimana xi adalah nilai aktual pada iterasi i, fi adalah nilai ideal yang diinginkan, dan n adalah jumlah data.

Apakah Performasi Model ANFIS Sesuai Ya Perancangan Software Prediksi dengan GUI

Tidak

Validasi Software Prediksi dengan GUI

Apakah Performasi > 75%?

III. METODOLOGI PENELITIAN A. Alur Penelitian Alur penelitian dalam pengerjaan tugas akhir ini dilakukan dengan melalui beberapa tahapan, yang pertama dilakukan adalah studi literatur. Pada tahapan ini dipelajari mengenai mengenai suhu permukaan laut (SPL), cuaca dan iklim Indonesia, sistem Maritime Weather Station, proses validasi, metode Adaptive Neuro Fuzzy Inference System (ANFIS). Selanjutnya dilakukan pengambilan dan pengolahan data statistik cuaca yang mempengaruhi suhu permukaan air laut. Data statistik cuaca ini diukur dan direkam oleh BMKG Surabaya. Kemudian dilakukan perancangan model ANFIS (Adaptive Neuro Fuzzy Inference System). Data olahan yang telah didapat kemudian dikelompokkan berdasarkan metode subtractive clustering, setelah dilkukan pengelompokan, data kemudian dilatih dengan menentukan toleransi error dan jumlah iterasi maksimum. Setelah dilakukan training, maka dapat dilihat struktur dari model ANFIS, jenis fungsi keanggotaan, dan basis aturan yang sudah dibuat. Kemudian

Ya Analisa Data

Penyusunan Laporan Tugas Akhir Selesai

Gambar. 2. Diagram Alir Penelitian

B. Perancangan Model ANFIS Data yang sudah diperoleh kemudian digunakan sebagai masukan untuk menyusun ANFIS pada Matlab. Data training dimasukkan dengan memanggil file data dengan tipe (.dat) ataupun memanggil dari workspace. Kemudian data yang telah dimasukkan akan dibuatkan Fuzzy Inference System (FIS) dengan pemilihan Grid Partition. Data training yang dimasukkan tersebut memiliki 4 input dan 1 output, dengan

4 jumlah fungsi keanggotaannya baik pada input maupun pada output adalah sebanyak 3, sehingga menghasilkan 81 rule base. Setelah pembuatan FIS, data kemudian dilatih (Training) dengan algoritma pembelajaran hibrida. Contoh proses training ditunjukkan pada gambar 3. Pada gambar 3, garis biru yang terdapat pada grafik menunjukkan error training selama iterasi berlangsung.

Gambar. 3. Contoh Proses Training ANFIS

C. Validasi Model ANFIS Validasi model Anfis dilakukan pada Matlab dengan cara membandingkan hasil keluaran dari ANFIS dengan hasil pengukuran suhu permukaan laut yang sebenarnya. Langkah ini bertujuan untuk mengetahui tingkat kesalahan dari model ANFIS dan tingkat kemiripan model ANFIS dengan keadaan sebenarnya.

Hari 1 2 3 4 5 … 578

[2] 2 5 7 1 5 … 2

[3] 66 66 66 66 66 … 73

Tabel 1. Data Training

[4] 28,0 28,7 29,3 27,7 27,6 …. 27,2

[5] 3,71 8,02 4,65 4,69 5,57 … 8,59

1m 30,1 29,9 29,7 29,9 30,1 … 28,4

3m 30,1 29,9 29,7 29,9 29,8 … 28,4

5m 30,0 29,9 29,7 29,9 29,8 … 28,4

Pada tabel 1, sebagai masukan untuk perancangan model ANFIS adalah data pada kolom 2, 3, 4 dan 5. Kolom 2 adalah data lama penyinaran matahari. Kolom 3 adalah intensitas matahari. Kolom 4 adalah suhu udara. Dan kolom 5 kecepatan angin. Kemudian tiga kolom terakhir adalah output aktual yang menjadi target untuk prediksi dari software dengan variasi kedalaman suhu air laut 1 meter, 3 meter, dan 5 meter. Berdasarkan data yang telah di-training kedalam algoritma pembelajaran ANFIS, diperoleh validasi dari data yang telah di-training.

D.

Perancangan dan validasi Software Perancangan software dilakukan dengan bantuan program Graphic User Interface (GUI) yang tersedia pada Matlab. Parameter premis dan consequent dari model ANFIS terbaik digunakan untuk menyusun software. Software yang sudah dirancang kemudian dijalankan untuk mengetahui tingkat akurasinya. Validasi dilakukan dengan membandingkan nilai aktual dengan nilai prediksi yang dihasilkan oleh software. Rumus yang digunakan dalam menentukan nilai error adalah sebagai berikut : 𝐸𝑟𝑟𝑜𝑟 =

𝐴𝑛 −𝐵𝑛 𝐴𝑛

𝑥100%

(11) Gambar. 4. Contoh Validasi untuk Data Training pada Kedalaman 1 meter

Dimana : An = nilai aktual Bn = nilai prediksi Berdasarkan nilai error yang didapat, perhitungan tingkat akurasi dalam sebuah software prediksi dapat menggunakan rumus sebagai berikut : Akurasi (%) = 100 - error

(12)

IV. DATA DAN ANALISA A.

Pengolahan Data Data training yang digunakan berupa data dari BMKG yang diambil selama 2 tahun dari bulan Januari 2012 sampai dengan Juli 2013.

Pada gambar 4 menunjukkan hasil validasi data setelah di-training, perbandingan nilai aktual dengan nilai prediksi ditunjukkan dengan lingkaran bulat berwarna biru sebagai nilai aktual dari masing-masing kedalaman dan titik berbentuk bintang berwarna merah sebagai nilai prediksi dari masing-masing kedalaman. Kemudian struktur ANFIS dapat ditentukan Struktur jaringan ANFIS berdasarkan data yang telah di-training tersebut. Struktur ANFIS yang dihasilkan memiliki 4 input dengan 1 output, memiliki 3 fungsi keanggotaan di setiap inputannya dengan rule base sebanyak 81. Setelah itu Fuzzy Inference System (FIS) yang menjadi dasar struktur jaringan ANFIS ditunjukkan seperti gambar 6 dibawah ini. Berdasarkan Gambar 6, dapat dilihat bahwa tipe fungsi keanggotaan dari Fuzzy Inference System (FIS) adalah tipe gbellmf. Kemudian dilakukan perhitungan nilai RMSE dari struktur ANFIS yang telah dihasilkan

5

Gambar. 7. Grafik Perbandingan Nilai Aktual dan Nilai Prediksi pada Kedalaman 1 Meter Gambar. 5. Fungsi Keanggotaan Data Training

Berdasarkan Gambar 5, dapat dilihat bahwa tipe fungsi keanggotaan dari Fuzzy Inference System (FIS) adalah tipe gbellmf. Kemudian dilakukan perhitungan nilai RMSE dari struktur ANFIS yang telah dihasilkan. Tabel 2 berikut menunjukkan RMSE yang dihasilkan setelah dilakukan training data Tabel 2. Nilai RMSE Data Training

Kedalaman SAL 1 Meter 3 Meter 5 Meter

B.

RMSE (%) 0,810825 0,810805 0,811236

Perancangan dan Validasi Software

Gambar. 6. Software Prediksi Suhu Permukaan Laut

Software untuk prediksi suhu permukaan laut yang telah dibuat ditunjukkan pada gambar 6. Kemudian validasi dilakukan dengan membandingkan hasil pengukuran suhu permukaan laut dengan hasil prediksi dari software. Validasi dintunjukkan dapat dengan grafik pada gambar 7, garis biru merupakan representasi dari nilai aktual pada saat kedalaman 1 (satu) meter yang dibandingkan dengan garis merah yaitu nilai prediksi pada saat kedalaman 1 (satu) meter.

Tabel 3. Nilai Error dan Tingkat Akurasi Software

Kedalaman SAL (m) 1 3 5

Rata-Rata Error (%) 20,02399 20,01918 20,03284

Rata-Rata Akurasi (%) 79,97601 79,98082 79,96716

Berdasarkan tabel 3 diperoleh rata-rata persentase nilai error dan tingkat akurasi dari masing-masing kedalaman. Hasil prediksi menunjukkan tingkat akurasi yang mencapai 79% pada kedalaman 1 meter, 3 meter dan 5 meter. Selain itu, grafik perbandingan nilai aktual dan nilai prediksi seperti yang ditunjukkan pada gambar 7 dapat dilihat bahwa nilai prediksi data perbandingannya cukup mengikuti trend nilai aktual, namun ada beberapa hasil prediksi yang dihasilkan cukup jauh dengan data aktualnya, hal ini disebabkan pada saat validasi data training antara titik (*) dengan titik (o) ada beberapa titik yang memiliki amplitudo yang cukup besar, dimana beberapa titik tersebut ada yang cukup berjauhan dari yang diharapkan. Selain itu, akurasi yang hanya mencapai 79% ini dapat disebabkan oleh kurang banyaknya data masukan sebagai training, seperti yang diketahui bahwa data masukan sebagai data training hanya diambil selama kurang dari 2 tahun yaitu dari bulan Januari 2012 sampai dengan bulan Juli 2013 dengan total data perhari hanya 578 data. Untuk meningkatkan hasil prediksi yang diinginkan, diperlukan data sebagai masukan training minimal selama 5 tahun untuk mengetahui tren perubahan parameter-parameter cuaca tersebut. Berdasarkan tingkat akurasi yang mencapai 79%, software prediksi ini dapat digunakan karena berdasarkan metodologi yang disampaikan bahwa batas terendah prediksi yang dapat ditoleransi adalah 75%. Walaupun tingkat keberhasilan dalam memprediksi tidak mencapai 100%, software ini masih dapat digunakan untuk memprediksi suhu permukaan laut di perairan dangkal Jawa Timur karena memiliki rata-rata tingkat akurasi yang cukup tinggi. IV. KESIMPULAN/RINGKASAN Dari penelitian yang telah dilakukan, maka kesimpulan yang dapat diambil dari penelitian ini adalah sebagai berikut:

6  Metode ANFIS (Adaptif Neuro Fuzzy Inference System) dapat diterapkan untuk merancang sistem prediksi suhu permukaan laut dengan tipe data non-linear  Performansi yang dihasilkan adalah sebagai berikut :  RMSE yang dihasilkan pada saat training adalah pada kedalaman 1 (satu) meter 0,810825, pada kedalaman 3 (tiga) meter 0,810805, pada kedalaman 5 (lima) meter 0,811236  Nilai rata-rata error prediksi yang dihasilkan pada kedalaman 1 meter, 3 meter dan 5 meter adalah 20,02399%, 20,01918%, dan 20,03284%  Nilai rata-rata akurasi prediksi yang dihasilkan pada kedalaman 1 meter, 3 meter, dan 5 meter adalah 79,97601%, 79,98082%, dan 79,96716%

UCAPAN TERIMA KASIH Terima kasih kepada kedua pembimbing saya yaitu Ibu Aulia Siti Aisjah dan Bapak Syamsul Arifin, seluruh dosen dan staf pengajar Teknik Fisika, serta seluruh mahasiswa Teknik Fisika yang telah memberikan doa, bantuan, dan dukungan hingga penelitian ini selesai dilaksanakan. DAFTAR PUSTAKA [1]

Hutabarat, Sahala. Pengaruh Kondisi Oseanografi Terhadap Perubahan Iklim, Produktivitas dan Distribusi biota Laut. Fakultas Perikanan dan Ilmu Kelautan, Universitas Diponegoro, Semarang (2001).

[2]

National Center for Atmospheric Research Staff (Eds). The Climate Data Guide: Tropical Moored Buoy System: TAO, TRITON, PIRATA, RAMA (TOGA), . (2013)

[3]

BMKG. Dokumen Standar Operasional Prosedur Peringatan Dini Pelaporan Dan Diseminasi Informasi Cuaca Ekstrim. Jakarta : BMKG KEP:009 (2010).

[4]

Fahimifard, S. M., Homayounifar, M., Sabouhi, M., & Moghaddamnia, A. R. Comparison of ANFIS, ANN, GARCH, and ARIMA Techniques to Exchange Rate Forecasting. Journal of Applied Science 9 (2009) (20): 3461-3651

[5]

Jang, J.S.R., Sun, C.T., Mizutani, E. Neuro-Fuzzy and Soft Computing, A computational Approuch to Learning and Machine Intelegence. Prentice-Hall International. Inc. USA (1997).

[6]

Bada, Hilda Isniawati Nela. Validasi dan Pengembangan Algoritma Suhu Permukaan Laut Pathfinder Satelit NOAA - AVHRR di Perairan Utara Papua. Skripsi, Institut Pertanian Bogor (2012).

[7]

Widodo, Pudjo., Prabowo., Handayanto, Trias., Rahmadya., Herlati. Penerapan Data Mining Dengan Matlab, Rekayasa Sains, Bandung (2013).

[8]

Supangat, Agus., Susanna. Pengantar Oseanografi. Pusat Riset Wilayah Laut Dan Sumberdaya Non-Hayati, Badan Riset Kelautan dan Perikanan, Departemen Kelautan dan Perikanan (BRKP). Dipetik Juli 24, 2013. http://www.scribd.com/doc/72106877/Buku-PengantarOseanografi-BRKP (2013).

[9]

UNESCO. Water Quality Modelling and Prediction. Water Resource System Planning and Management. ISBN 92-3-103998-9, 377-425 (2005)

[10] Kumar, Pankaj. Minimum Weekly Temperatur Forecasting using ANFIS. Computer Engineering and Intelligent Systems (2012), Vol 3, No.5. [11] Setyawan, Dimas Happy. Rancang Bangun Sistem Pengukuran Kelembaban Udara dan Suhu Pada Buoy Weather Untuk Membangun Prediktor Cuaca Maritim. Tugas Akhir, Intitut Teknologi Sepuluh Nopember (2012). [12] Hu, Jianhua., Bao, Weimin. The Characteristics of Rain In The Raining Seasons in Guangdong province and its relationship with Sea Surface Temperatur (SST). Hydrology and Water Resources of Hohai University (2012). [13] Ali, M. M., Swain, D., Kashyap, Tina., McCreary, J. P., and Nagamani, P. V.. Relationship Between Cyclone Intensities and Sea Surface Temperatur in the Tropical Indian Ocean. Geoscience and Remote Sensing Letters (2012), Vol. 10, No. 4. [14] Donlon, Craig J., Martin, Matthew., Stark, John., Roberts-Jones, Jonah., Fiedler, Emma., & Wimmer, Werenfrid.. The Operational Sea Surface Temperatur and Sea Ice Analysis (OSTIA) System”, Remote Sensing of Environment (2012) 116, 140– 158.