4.2 Pembangunan Model Prediksi Logika
Fuzzy dengan MATLAB
4.2.1 Pengolahan dan Pengelompokan Data
Dari penjelasan
sebelumnya, disebutkan bahwa pembentukan fungsi
keanggotaan menggunakan kurva gaussian. Kurva gaussian membutuhkan masukan
berupa nilai standar deviasi yang didapatkan dari keseluruhan data serta nilai titik tengah
yang didapatkan dari hasil fuzzy clustering menggunakan fuzzy C-Means.
Pada
pembangunan logika
fuzzy ini,
pengelompokan data menggunakan metode fuzzy cluster means yang dilakukan dengan
menggunakan matlab,
yaitu dengan
menuliskan syntax pada editor matlab. Teknik
fuzzy cluster
means ini
diimplementasikan dalam fungsi fcm pada matlab.
a.
Pengolahan dan Pengelompokan Data untuk Prediksi Hujan
Pada prediksi hujan ini digunakan tiga variabel masukan yaitu variabel suhu,
kecepatan angin dan kelembaban. Pembagian kelompok untuk variabel suhu dibagi
menjadi tiga cluster, yaitu cluster rendah, sedang dan tinggi. Untuk variabel kecepatan
angin dibagi menjadi tiga cluster yaitu cluster sedang, kencang dan sangat kencang.
Variabel masukan kelembaban juga dibagi menjadi tiga cluster yaitu cluster sedang,
rendah dan tinggi.
Berdasarkan data yang diperoleh dari hasil clustering, didapatkan nilai standar
deviasi dan titik tengah sebagai berikut. Tabel 4.4 Hasil Clustering, standar deviasi
dan titik tengah untuk prediksi hujan
No Variabel
Fungsi Standar
Titik Keanggotaan
Deviasi Tengah
1 Suhu C
Rendah 1.075
25.21 Sedang
1.075 26.72
Tinggi 1.075
27.93 2
Kecepatan Sedang
1.444 5.564
Angin Kencang
1.444 7.212
knot Sangat Kencang
1.444 9.186
3 Kelembaban
Rendah 4.593
80.55 Rh
Sedang 4.593
85.99 Tinggi
4.593 92.37
b.
Pengolahan dan Pengelompokan Data untuk Prediksi Angin
Pada prediksi angin ini digunakan dua variabel masukan yaitu variabel suhu dan
tekanan udara. Variabel suhu dibagi menjadi lima cluster yaitu sangat rendah, rendah,
sedang, tinggi, dan sangat tinggi. Begitu juga dengan variabel tekanan udara yang dibagi
menjadi lima cluster yaitu sangat kecil, kecil, sedang, besar, dan sangat besar.
Berdasarkan data yang diperoleh dari hasil clustering, didapatkan nilai standar
deviasi dan titik tengah sebagai berikut. Tabel 4.5 Hasil Clustering, standar deviasi
dan titik tengah untuk prediksi angin
No Variabel
Fungsi Standar
Titik Keanggotaan
Deviasi Pusat
1 Suhu C
Sangat Rendah 1.075
24.55 Rendah
1.075 25.87
Sedang 1.075
26.78 Tinggi
1.075 27.66
Sangat Tinggi 1.075
28.52 2
Tekanan Sangat Kecil
1.328 1007
Udara mb Kecil
1.328 1009
Sedang 1.328
1010 Besar
1.328 1011
Sangat Besar 1.328
1012
4.2.2 Pembentukan Fungsi Keanggotaan
Fungsi keanggotaan membership function digunakan untuk menunjukkan
hasil prediksi. Pembentukan fungsi keanggotaan ini
menggunakan Fuzzy Inference System Editor FIS Editor tipe Takagi Sugeno karena kita
menginginkan keluaran
yang berupa
numerik. Penggunaan
Fuzzy Toolbox
digunakan untuk memudahkan penggunaan logika fuzzy pada MATLAB 7.8.0.
a. Pembentukan Fungsi Keanggotaan
untuk Prediksi Hujan Variabel cuaca yang digunakan untuk
memprediksi hujan adalah kecepatan angin,
temperature suhu udara dan kelembaban. Sehingga
dapat terlihat
fungsi keanggotaannya pada gambar 4.20.
gambar 4. 1 Tampilan FIS Editor untuk masukan berupa kecepatan angin dan
keluaran berupa hujan
b. Pembentukan Fungsi Keanggotaan
untuk Prediksi Angin Variabel cuaca yang digunakan untuk
memprediksi kecepatan
angin adalah
temperature dan tekanan udara. Sehingga dapat dibuat fungsi keanggotaannya seperti
pada gambar 4.24.
gambar 4. 2 FIS Editor Pada MATLAB untuk keluaran berupa kecepatan angin
4.2.3 Pembuatan Aturan Rule Based
Data yang telah dikelompokkan berdasarkan fuzzy clustering kemudian
dibuat aturan yang disebut aturan jika maka if – then.
Aturan ini digunakan untuk dijadikan sebagai patokan untuk kondisi
variabel masukan tertentu maka akan didapatkan variabel keluaran yang nilainya
tertentu pula. Pembuatan aturan didasarkan pada kepakaran serta pengamatan data yang
berupa kebiasaan di alam. Pada aturan ini terdiri dari kumpulan
aturan peramalan cuaca yang berbasis logika fuzzy untuk menyatakan kondisi cuaca yang
terjadi. Penyusunan
aturan sangat
berpengaruh pada presisi model, pada tahap pengambilan
keputusan ditentukan
berdasarkan rancangan rule base. Pada model perancangan prediksi hujan terdapat
27 rule, sedangkan pada model perancangan prediksi angin terdapat 25 rule.
a. Pembuatan Aturan Prediksi Hujan
No if
Kecepatan Suhu
Kelembaban Hujan
Angin C
Rh
1 if
sedang rendah
tinggi Hujan
Sedang 2
if sedang
Hujan Ringan 3
if rendah
Cerah 4
if
sedang
tinggi Cerah
5 if
sedang Cerah
6 if
rendah Cerah
7 if
tinggi
tinggi Cerah
8 if
sedang Cerah
9 if
rendah Cerah
10 if
kencang rendah
tinggi Hujan Lebat
11 if
sedang Hujan
Sedang 12
if rendah
Hujan Ringan 13
if
sedang
tinggi Hujan Ringan
14 if
sedang Cerah
15 if
rendah Cerah
16 if
tinggi
tinggi Cerah
17 if
sedang Cerah
18 if
rendah Cerah
19 if
sangat rendah
tinggi Hujan Sangat
Lebat 20
if sedang
Hujan Lebat 21
if rendah
Hujan Sedang
22 if
sedang
tinggi Hujan Ringan
23 if
kencang
sedang Hujan Ringan
24 if
rendah Hujan Ringan
25 if
tinggi
tinggi Cerah
26 if
sedang Cerah
27 if
rendah Cerah
b. Pembuatan Aturan Prediksi Kecepatan
Angin Tabel 4.7 Aturan Logika Fuzzy untuk
Prediksi Kecepatan Angin
No if
Tekanan Suhu
Kec. Angin
1 if
SKc
SRd Sedang
2 if
Rd Sedang
3 if
Sdg Ringan
4 if
Tg Ringan
5 if
STg Ringan
6 if
Kcl
SRd Sedang
7 if
Rd Ringan
8 if
Sdg Sedang
9 if
Tg Ringan
10 if
STg Ringan
11 if
Sdg
SRd Sedang
12 if
Rd Sedang
13 if
Sdg Sedang
14 if
Tg Sedang
15 if
STg Ringan
16 if
Bs
SRd Kencang
17 if
Rd Sedang
18 if
Sdg Sedang
19 if
Tg Ringan
20 if
STg Sedang
21 if
SBs
SRd Sangat kencang
22 if
Rd Kencang
23 if
Sdg Sedang
24 if
Tg Sedang
25 if
STg Sedang
4.9 Pengujian Model Logika Fuzzy