JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
1
PERANCANGAN SISTEM PREDIKTOR CUACA MARITIM DENGAN MENGGUNAKAN METODE FUZZY TAKAGI SUGENO Nur Wakhid Habibullah, dan Syamsul Arifin, Bambang Lelono Widjiantoro Jurusan Teknik Fisika – Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih – Sukolilo, Surabaya 60111 Email :
[email protected] Abstrak— Sarana transportasi laut terutama pelayaran kapal sangat dipengaruhi oleh cuaca maritim. Pola cuaca yang tidak beraturan akan mengganggu semua transportasi laut. Pada penelitian ini dilakukan pembuatan prediktor cuaca maritim dengan menggunakan logika fuzzy takagi sugeno (FTS). Metode FTS dipilih karena hasil keluaran sistem berupa nilai konstanta sehingga memudahkan dalam perancangan sistem. Data yang digunakan untuk membangun basis aturan dan fungsi keanggotaan berasal dari data BMKG II Perak yang direkam perjam selama 5 tahun yaitu dari januari 2007 hingga desember 2011. Sedangkan validasi dilakukan dengan menggunakan data BMKG selama 3 bulan yaitu dari januari hingga maret 2012. Pada penelitian ini juga dilakukan pengujian secara realtime dengan menggunakan data yang diperoleh dari maritim buoyweather. Dari hasil penelitian yang telah dilakukan didapatkan nilai akurasi untuk prediksi cuaca maritim selama satu jam kedepan, yaitu: Prediksi ketinggian gelombang 90,01%, prediksi kecepatan arus 85,79%, prediksi suhu 90,96%, prediksi kelembaban 91,15%, dan prediksi curah hujan 75,28%. Kata Kunci—Cuaca maritim, Fuzzy Takagi Sugeno, prediktor cuaca
I. PENDAHULUAN
K
ecelakaan transportasi laut yang ada di Indonesia akhirakhir ini semakin meningkat. Kejadian kecelakaan tersebut berupa 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% [12]. Selama ini pola iklim yang terjadi di Indonesia secara makro dapat dibedakan kedalam dua musim, yaitu kemarau dan hujan. Akan tetapi sejak tahun 1991 pola ini tidak dapat diprediksi saat kapan, kedua musim tersebut terjadi. Indikasi kenaikan permukaan laut yang semakin meningkat sejak tahun 1980 an di beberapa wilayah Indonesia telah menimbulkan hujan di sejumlah wilayah di Kalimantan, Sumatera, Jawa dan Sulawesi [11], dan ini belum menunjukkan pola secara regional bahwa Indonesia berada pada musim tertentu. 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 tentang prakiraan cuaca maupun iklim diberikan oleh BMKG (Badan Meteorologi Klimatologi dan Geofisika) melalui website bmkg.go.id. Informasi tentang prakiraan cuaca ini secara makro sangat membantu
transportasi laut. Namun jika dilihat dari segi ketepatan, prakiraan tersebut masih perlu ditingkatkan. 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 [1]. Pada penelitian sebelumnya yang dilakukan oleh Ardian Chandra tentang prediksi cuaca maritim dengan ANFIS dengan koordinat pengambilan data 70 12’ 20’’ LS - 1120 44’ 08’’ BT dan Prita Meilanitasari berbasis Fuzzy dengan koordinat pengambilan data 4,648136oS – 113,908806oE. Kedua penelitian tersebut hanya dilakukan di satu koordinat pengambilan data sehingga memprediksi cuaca hanya pada satu wilayah saja. Kemudian untuk memperluas jangkauan peramalan maka dikembangkanlah penelitian tersebut oleh Riki Jaya Sampurna dengan menggambil 3 koordinat data, yaitu pada 3.540425oS - 113.90880oE (Perairan Banjarmasin), 4,648136oS - 113,908806oE (Laut Jawa) dan 6.874824oS – 112.747800oE (Perairan Surabaya). Ketiga penelitian tersebut masih menggunakan dua variabel cuaca martitim yaitu ketinggian gelombang dan kecepatan arus. Dilain pihak Ilham Bangun Asmoro melakukan penelitian dengan membuat prediktor cuaca darat dengan basis logika fuzzy yang dapat mengolah data dari stasiun cuaca secara real time. Data masukan pada penelitian ini berupa temperatur, kelembaban relatif, dan kecepatan angin dan keluaran sistem berupa hasil cuaca yaitu: cerah, berawan, mendung, gerimis, dan hujan [5]. Berdasarkan penelitian terdahulu inilah peneliti ingin membuat sistem prediktor cuaca maritim secara online dengan menggunakan 5 variabel cuaca, yaitu ketinggian gelombang, kecepatan arus, suhu, kelembaban, dan curah hujan. Selain itu peneliti juga ingin memperluas jangkauan waktu peramalan tidak hanya sebatas satu jam kedepan melainkan dapat memprediksi 1jam, 3jam, 6 jam, 12 jam, dan 24 jam kedepan.
II. URAIAN PENELITIAN Penelitian ini terdiri dari beberapa tahapan tertentu. Tahapan-tahapan tersebut direpresentasikan dalam sebuah diagram alir seperti pada gambar 2.1. Data variabel cuaca maritim yang diambil adalah data kecepatan angin, ketinggian gelombang, kecepatan arus, suhu udara, kelembaban udara, tekanan dan curah hujan. Data tersebut direkam per-jam selama 5 tahun dari januari 2007
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 sampai desember 2011 dengan koordinat pengambilan data 4,648136oS - 113,908806oE (laut jawa). Data yang diambil ini digunakan untuk membangun basis aturan dan fungsi keanggotaan awal.. MULAI
STUDI LITERATUR
IDENTIFIKASI MASALAH
PENGAMBILAN DATA CUACA MARITIM
PERANCANGAN SISTEM LOGIKA FUZZY SEBAGAI PREDIKTOR CUACA MARITIM
2 2.1.1 Penentuan Fungsi Keanggotaan Fungsi keanggotaan (membership function) digunakan untuk memetakan nilai dari keanggotaan suatu data. Penggunaan fungsi keanggotaan didasarkan pada bentuk kurva. Kurva yang dipakai pada prediktor cuaca maritim ini menggunakan kurva gaussmf. Hal ini dikarenakan penggunaan kurva gaussian digunakan untuk data yang sifatnya kontinu dan tidak nol di semua titik. Cuaca adalah sesuatu yang kontinu. Dalam artian perubahan cuaca berkisar tiap satu tahun sesuai dengan perubahan musim. Fuzzyfikasinya juga lebih halus. Walaupun gaussian set range yang diberikan lebih lebar [7]. Pembentukan fungsi keanggotaan menggunakan Fuzzy Inference System Editor (FIS Editor) tipe Sugeno-Takagi karena keluaran yang diinginkan adalah berupa numerik.
VALIDASI SISTEM LOGIKA FUZZY
TIDAK
APAKAH PERFORMANSI LOGIKA FUZZY SESUAI? YA
SIMULASI PROGRAM, ANALISA HASIL SIMULASI DAN PENGUJIAN
PENYUSUNAN LAPORAN
SELESAI
Gambar 2.1 Diagram alir penelitian
2.1 Perancangan Sistem Logika Fuzzy Data variabel cuaca maritim yang didapat terlebih dahulu dilakukan proses pengelompokan (cluster) dengan menggunakan Fuzzy Cluster Mean. Setelah itu dilakukan pembuatan Sistem Inferensi Fuzzy dengan fungsi input-output sebagai berikut:
Gambar 2.2 Tampilan FIS editor dengan logika Fuzzy Takagi Sugeno dengan 3 masukan dan 1 keluaran
2.1.2 Penentuan Basis Aturan (Rule Base) Setelah dilakukan pemetaan terhadap fungsi keanggotaan langkah selanjutnya adalah menentukan basis aturan berupa jika – maka (if - then) seperti pada contoh berikut: H(t+1) = IF (Vangin(t) is CA and H(t) is GL and H(t-1) is GL then Cu(t+1) = (f(Vangin(t),H(t),H(t-1)) 2.1.3 Validasi Logika Fuzzy Validasi ini dilakukan dengan menggunakan data BMKG selama 3 bulan, yaitu dari januari – maret 2012. Hasil prediksi tersebut akan dibandingkan dengan keadaan sebenarnya. Dengan demikian akan terlihat besar prosentase keakurasian logika fuzzy yang telah dibuat. 2.2 Simulasi dan Analisa
Keterangan: Hs = ketinggian gelombang Vangin = kecepatan angin Cu = kecepatan arus T = Suhu Rh = Kelembaban Udara P = Tekanan Hujan = curah hujan
Setelah diuji validitasnya, maka dibuatlah sebuah simulator software prediktor. ini dilakukan dengan menggunakan dua cara, yaitu cara pertama dengan menggunakan data BMKG selama 3 bulan, yaitu dari januari – maret 2012 dan cara kedua dengan menggunakan data realplant maritime buoy weather.Software ini berisi tentang informasi perkiraan cuaca yang akan terjadi 1 jam, 3jam, 6 jam, 12 jam, sampai 24 jam kedepan. Variabel cuaca yang diprediksi berupa ketinggian gelombang, kecepatan arus, suhu udara, kelembaban udara, dan curah hujan. Setelah itu dilakukan analisa terhadap hasil prediktor yang dihasilkan
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
3
4
5
Kecepatan Arus Cu(t) (cm/s)
Kecepatan Arus 1 jam sebelum Cu_t-1 (cm/s)
Gambar 2.3 Tampilan pada Simulink
III. HASIL DAN DISKUSI
6
Setelah didapatkan data dari BMKG II Perak, langkah selanjutnya adalah mengolah dan mengelompokkan (cluster) data dengan menggunakan Fuzzy Cluster Mean. Untuk hasil cluster dapat dilihat pada tabel 4.1 dibawah ini: Tabel 3.1 Pengelompokan data dengan fuzzy cluster mean N o
1
2
3
Variabel
Kecepatan Angin (knot)
Ketinggian Gelombang H(t) (m)
Ketinggian Gelombang 1 jam Sebelum-nya H_t-1 (m)
7
8
Stdev
Fungsi Keanggotaan
Min
Center
Max
5.079
CA
0.04
2.552
4.03
5.079
LA
4.04
5.513
7.04
5.079
LB
7.05
8.572
9.97
9
5.079
GB
9.98
11.38
12.71
5.079
MB
12.72
14.05
15.37
5.079
FB
15.38
16.7
18.62
5.079
SB
18.63
20.55
27.92
0.525
GL
0.01
0.198
0.34
0.525
RP
0.35
0.492
0.63
0.525
WV
0.64
0.788
0.93
0.525
SL
0.94
1.07
1.21
0.525
MD
1.22
1.36
1.53
0.525
R
1.54
1.72
2.02
0.525
VR
2.03
2.34
3.42
0.525
GL
0.01
0.198
0.34
0.525
RP
0.35
0.492
0.63
0.525
WV
0.64
0.788
0.93
0.525
SL
0.94
1.07
1.21
0.525
MD
1.22
1.36
1.53
0.525
R
1.54
1.72
2.02
0.525
VR
2.03
2.34
3.42
10
Suhu [t] (OC)
Suhu 1 jam sebelum t-1 (OC)
kelembaban [t] % Kelembaban 1 jam sebelum [t1] (%) Tekanan (mBar)
11.62
VS
0.02
2.47
4.82
11.62
S
4.83
7.13
10.2
11.62
SM
10.21
13.17
16.48
11.62
SL
16.49
19.62
23.57
11.62
AV
23.58
27.23
35.11
11.62
F
35.13
42.4
52.82
11.62
VF
52.9
62.71
98.46
11.62
VS
0.02
2.47
4.82
11.62
S
4.83
7.13
10.2
11.62
SM
10.21
13.17
16.48
11.62
SL
16.49
19.62
23.57
11.62
AV
23.58
27.23
35.11
11.62
F
35.13
42.4
52.82
11.62
VF
52.9
62.71
98.46
2.714
RD
21.8
26.17
27.5
2.714
SD
27.6
29.03
30.8
2.714
TG
30.9
32.64
36.8
2.714
RD
21.8
26.17
27.5
2.714
SD
27.6
29.03
30.8
2.714
TG
30.9
32.64
36.8
12.64
RD
28
54.33
63
12.64
SD
64
71.73
78
12.64
TG
79
85.35
100
12.64
RD
28
54.33
63
12.64
SD
64
71.73
78
12.64
TG
79
85.35
100
1.89
RD
0.8
7.38
8.6
1.89
SD
8.7
9.83
10.9
1.89
TG
11
11.98
16.5
Fungsi keanggotaan Logika fuzzy yang digunakan pada penelitian ini berupa fungsi Gaussian. Untuk mendapatkan bentuk Gaussian pada fuzzy toolbox diperlukan nilai tengah dan standar deviasi pada masingmasing fungsi keanggotaan. Nilai tengah dan standar deviasi tersebut didapatkan dari tabel diatas. 3.1 Pengujian Model Logika Fuzzy Untuk Prediktor Cuaca Maritim
Setelah dilakukan pembuatan Fuzzy Inference System dari prediktor cuaca maritim, langkah selanjutnya adalah melakukan pengujian pada model prediktor yang telah dibuat. Pengujian dilakukan dengan menggunakan data BMKG selama 3 bulan, yaitu bulan januari-maret 2012. Data yang berasal dari BMKG ini merupakan data variabel cuaca yang diukur pada koordinat 4,648136oS 113,908806oE (Laut Jawa). Pengujian Model logika fuzzy ini dilakukan dengan cara membandingkan data aktual BMKG dengan data hasil prediksi.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
4
a) Ketinggian Gelombang Untuk hasil pengujian model prediksi ketinggian gelombang dapat dilihat pada gambar 3.1 dibawah ini:
arus dari BMKG yang direkam selama tiga bulan. Untuk perbandingan hasil prediksi dan data aktual dapat dilihat pada tabel 3.2. Tabel 3.2 Perbandingan ketepatan prediksi dengan keadaan aktual untuk model prediksi ketinggian gelombang
Gambar 3.1 Grafik perbandingan hasil prediksi ketinggian gelombang dengan data aktual
Grafik yang berwarna merah muda pada gambar 3.1 adalah grafik hasil prediksi ketinggian gelombang sedangkan grafik yang berwarna biru merupakan grafik data aktual ketinggian gelombang dari BMKG yang direkam selama tiga bulan. Untuk Perbandingan hasil prediksi dan data aktual dapat dilihat pada tabel 3.1 Tabel 3.1 Perbandingan ketepatan prediksi dengan keadaan aktual untuk model prediksi ketinggian gelombang Model Logika Fuzzy
G L
RP
WV
SL
MD
R
VR
Aktual
0
257
1154
212
212
163
184
Prediksi
0
147
1239
185
259
154
198
Model Logika Fuzzy
VS
Aktual
0
Prediksi
0
2182
Jumlah Error
218
Keakuratan (%)
90.01
SM
SL
AV
F
VF
0
956
853
118
67
144
0
1055
744
119
77
187
Jumlah Data
2182
Jumlah Error
310
Keakuratan (%)
85.79
Untuk pengujian model prediksi kecepatan arus didapatkan tingkat keakuratan sebesar 85.79%. Nilai keakuratan dari prediktor kecepatan arus ini terkesan lebih kecil jika dibandingkan nilai prediktor ketinggian gelombang, hal ini dikarenakan terdapat distorsi data masukan yang digunakan untuk validasi. Dapat dilihat pada data ke-1800an kecepatan arus mencapai 104 cm/s. Data ini diluar fungsi keanggotaan kecepatan arus data masukan pada fungsi keanggotaan FIS sehingga khusus untuk data tersebut sistem FIS tidak dapat memprediksinya dengan baik. Diluar itu semua hasil akurasi terbaik untuk prediktor kecepatan arus ini adalah 85.79%. Hal ini dapat diterima dan dinyatakan berhasil. c)
Jumlah Data
S
Suhu Udara
Setelah dilakukan pengujian model prediksi ketinggian gelombang didapatkan tingkat keakuratan sebesar 90.01%. Hasil tersebut dapat diterima dan dinyatakan berhasil. b) Kecepatan Arus Gambar 3.3 Grafik perbandingan hasil prediksi suhu dengan data aktual
Sedangkan untuk perbandingan ketepatan antara prediksi dan data aktual dapat dilihat pada tabel 3.3. Tabel 3.3 Perbandingan ketepatan prediksi dengan keadaan aktual untuk model prediksi suhu udara Model Logika Fuzzy
Rendah
Sedang
Tinggi
Aktual
19
1177
985
Prediksi
0
1250
931
Gambar 3.2 Grafik perbandingan hasil prediksi kecepatan arus dengan data aktual
Jumlah Data
Grafik yang berwarna merah muda pada gambar 3.2 adalah grafik hasil prediksi kecepatan arus sedangkan grafik yang berwarna biru merupakan grafik data aktual kecepatan
Jumlah Error
197
Keakuratan (%)
90.96
2181
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 Untuk pengujian Model prediksi Suhu udara didapatkan tingkat keakuratan sebesar 90.96%. Hasil tersebut dapat diterima dan dinyatakan berhasil. d) Kelembaban Udara
Gambar 3.4 Grafik perbandingan hasil prediksi kelembaban dengan data aktual
Grafik yang berwarna merah muda pada gambar 3.4 adalah grafik hasil prediksi kelembaban udara sedangkan grafik yang berwarna biru merupakan grafik data aktual kelembababan udara dari BMKG yang direkam selama tiga bulan. Untuk Perbandingan hasil prediksi dan data aktual dapat dilihat pada tabel 3.4. Tabel 3.4 Perbandingan ketepatan prediksi dengan keadaan aktual untuk model prediksi kelembaban udara Model Logika Fuzzy
Rendah
Sedang
Tinggi
Aktual
8
291
1883
Prediksi
0
348
1834
Jumlah Data
2181
Jumlah Error
193
Keakuratan (%)
91.15
Untuk pengujian Model prediksi Suhu udara didapatkan tingkat keakuratan sebesar 91.15%. Hasil tersebut dapat diterima dan dikatakan berhasil. e) Curah Hujan
Gambar 3.5 Grafik perbandingan hasil prediksi curah hujan dengan data aktual
Sedangkan untuk perbandingan ketepatan antara prediksi dan data aktual dapat dilihat pada tabel 3.5.
5
Tabel 3.6 Perbandingan ketepatan prediksi dengan keadaan aktual untuk model prediksi curah hujan Model Logika Fuzzy
CR
HR
HS
HL
Aktual
0
155
29
10
Prediksi
0
179
16
0
Jumlah Data
195
Jumlah Error
48
Keakuratan (%)
75.385
Dari tabel diatas dapat di simpulkan bahwa untuk model prediksi Curah Hujan mempunyai akurasi sebesar 75.38%. Akurasi prediktor ini terlihat paling rendah, hal ini dikarenakan jumlah data yang digunakan untuk membangun rule base dan membership function awal sangat sedikit dibandingkan dengan ke empat prediktor yang lain. Untuk Prediktor ketinggian gelombang, kecepatan arus, suhu, dan kelembaban data yang digunakan adalah data perjam selama 5 tahun sedangkan data yang digunakan untuk membangun rule base dan membership function hanya berupa data perhari dan itupun disetiap harinya tidak selalu didapatkan data curah hujan. Diluar itu semua hasil akurasi terbaik yang pernah dihasilkan untuk prediktor curah hujan ini adalah 85.79%. Hal ini dapat diterima dan dinyatakan berhasil. 3.2 Simulasi Program Dengan Simulink Simulasi program ini dilakukan dengan dua cara yaitu: offline (dengan menggunakan data BMKG selama 3 bulan) dan online (dengan menggunakan 170 data dari martitime buoy weather yang telah dibuat). Hasil akurasi untuk 1 jam, 3 jam, 6 jam, 12 jam, dan 24 untuk masing-masing prediktor adalah sebagai berikut: Offline : Ketinggian gelombang : 90.01%; 77.01%; 69.67%; 62.44%; 53.89%; Kecepatan Arus laut : 85.79%; 71.78%; 61.9%; 54.19%; 52.78%; Suhu udara : 90.96%; 76.23%; 73.96%; 55.61%; 75.67%; Kelembaban Udara : 91.15%; 78.89%; 63.6%; 55.07%; 78.08%; Curah Hujan : 73.20%; 65.13%; 57.95%; 54.87%; 53.85%. Sedangkan untuk curah hujan sekarang didapatkan keakuratan sebesar 73.38%. Online : Ketinggian gelombang : 76.79%; 75 %; 65.48%; 53.05%; 52.41%; Kecepatan Arus laut : 63.11%; 62.65%; 62.58%; 61.78%; 59.31%; Suhu udara : 81.53%; 63.25%; 63.19%; 67.52%; 64.14%; Kelembaban Udara : 67.86%; 59.64%; 57.06%; 61.78%; 55.86%; Curah Hujan : 89.94%; 89.82%; 89.29%; 87.97%; 84.93%. Sedangkan untuk curah hujan sekarang didapatkan keakuratan sebesar 90%. Jika dilihat dari karakteristik data BMKG selama 5 tahun yang digunakan untuk membangun rule base dan membership function awal maka akan terlihat karakteristik perubahan masing-masing data per jamnya. Untuk Kecepatan angin misalnya mempunyai perubahan rata-rata perjamnya sebesar 0.241 knot. Sedangkan untuk data variabel cuaca lainnya yaitu ketinggian gelombang: 0.01 m; kecepatan arus: 0.624 cm/s;
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 suhu udara 0.6570C; kelembaban udara: 2.47%; dan tekanan udara 0.372mbar. Jika dianalisa hubungan antara perubahan variabel cuaca tiap jam dengan keakuratan model prediktor yang telah dibuat maka akan didapatkan sebuah hubungan yang sebanding. Contohnya saja untuk model prediktor ketinggian gelombang. Dari data perubahan variabel cuaca tiap jamnya didapatkan nilai perubahan yang tidak begitu signifikan, yaitu sebesar 0.01m. Sehingga ketika model prediktor ketinggian gelombang ini diuji dengan data BMKG selama 3 bulan dapat menghasilkan tingkat akurasi yang tinggi yaitu sebesar 90.01%. Berbeda dengan perubahan kecepatan arus yang cukup tinggi, yaitu sebesar 0.624 cm/s menghasilkan tingkat akurasi yang lebih rendah, yaitu: 85.79%. Berbeda dengan pengujian offline dengan data masukan sebanyak 2181 data. Untuk pengujian secara online ini hanya dilakukan dengan menggunakan data uji sebanyak 170. Data tersebut didapatkan dari hardware maritime buoy weather yang telah dibuat. Karena keterbatasan waktu dan hal lainnya maka pengujian ini dilakukan dilingkungan teknik fisika ITS. Sehingga karakteristik data masukan program menjadi berbeda jika dibandingkan dengan karakteristik data masukan yang sebenarnya (data meteorologi untuk kawasan laut jawa dengan koordinat 4,648136oS - 113,908806oE). Oleh karena tidak mengherankan apabila pada pengujian ini dihasilkan nilai akurasi yang lebih rendah jika dibandingkan dengan hasil akurasi ketika dilakukan pengujian secara offline.
IV. KESIMPULAN/RINGKASAN Berdasarkan penelitian yang telah dilakukan, maka didapatkan kesimpulan sebagai berikut: 1. Telah dilakukan pemodelan logika fuzzy tipe Takagi Sugeno untuk memprediksi ketinggian gelombang, kecepatan arus, suhu udara, kelembaban udara, dan curah hujan. 2. Prosentase keakuratan tertinggi dari hasil prediksi ketinggian gelombang, kecepatan arus laut, suhu udara, kelembaban udara, dan curah hujan berturut-turut adalah: 90.01%; 85.79%; 90.96%; 91.15%; 73.38%; 3. Metode logika fuzzy tipe Takagi Sugeno dapat digunakan untuk merancang sistem prediktor cuaca maritim Sedangkan saran yang perlu disampaikan pada tugas akhir ini adalah : Data yang digunakan untuk membangun logika fuzzy sebaiknya ditambah lagi sehingga lebih mewakili konsentrasi di setiap jamnya. Dilakukan pengujian realtime dengan data uji yang lebih banyak sehingga lebih mewakili pola hasil akurasi. Selain itu juga dilakukan penambahan variabel prediksi yang lain, seperti tekanan dan kecepatan angin
6 UCAPAN TERIMA KASIH Ucapan terima kasih penulis sampaikan kepada pihakpihak yang turut membantu penelitian ini terutama kepada para dosen pembimbing dan rekan-rekan tim buoy weather yang telah menempuh penelitian dari awal hingga akhir. Penulis juga menyampaikan terima kasih kepada dosen pembimbing dan Jurusan Teknik Fisika yang telah memfasilitasi penelitian ini sehingga dapat selesai tepat waktu. DAFTAR PUSTAKA [1]
Arifin, Syamsul. 2009. Sistem Logika Fuzzy sebagai Peramal Cuaca di Indonesia, studi kasus: Kota Surabaya
[2]
Candra, Ardian. 2010. Tugas Akhir: Perancangan Model Adaptive Nuro Fuzzy Inference System untuk Memprediksi Cuaca
[3] [4] [5]
[6]
Maritim. Teknik Fisika-FTI-ITS Surabaya Kusumadewi, Sri. 2006. “Neuro-Fuzzy: Integral system Fuzzy dan Jaringan Saraf Tiruan”. Yogyakarta: graha Ilmu Jang J.-S.R., Sun C.-T., Mizutani E. Neuro-fuzzy and soft computing. A Coumputational approach. Asmoro, Ilham Bangun. 2011. Perancangan Perangkat Lunak Prediktor Cuaca Berbasis Logika Fuzzy. Teknik Fisika-FTI-ITS Surabaya Kusumadewi, Sri, 2000, “Perancangan Sistem fuzzy : Studi Kasus Prediksi Jumlah Produksi dan Harga Jual Barang” dalam Jurnal Teknologi Industri Volume 5, No.1. Jogjakarta: Jurusan Teknik Industri Fakultas Teknologi Industri Universitas Islam Indonesia
[7] [8]
…,Fuzzy Logic Toolbox User Guide. MathWork.Inc,2002 Regarina, Cut Meurah. 2005. Atmosfer (Cuaca
dan
Iklim).[pdf],http://elcom.umy.ac.id/elschool/muallimin_muhamm adiyah/file.php/1/materi/Geografi/ATMOSFER%20%28Cuaca%2 0dan%20Iklim%29.pdf , (diakses April 2012) [9]
Thor I Fossen. 1994. Guidance and Control of Ocean Vehicles. Chichester University of Trondheim Norway
[10]
Meilanitasari, Prita. 2010 .Prediksi Cuaca Menggunakan Logika Fuzzy untuk Kelayakan Pelayaran di Pelabuhan Tanjung Perak Surabaya. Teknik Fisika-FTI-ITS Surabaya
[11] [12]
…, Laporan BMG, Mei 2007 …, Laporan MTI, Volume 2, 1-2-3 Langkah, 2007
