Pembentukan Fungsi Keanggotaan Pembuatan Aturan Prediksi Hujan Pembuatan Aturan Prediksi Kecepatan

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