Pengolahan dan Pengelompokan Data Masukan

masukan yang berupa kecepatan angin, suhu, kelembaban dan tekanan masih berupa himpunan crisp yang nantinya akan diubah menjadi himpunan fuzzy dengan fungsi keanggotaan yang berbeda untuk tiap variabel. Dengan mengacu pada basis aturan yang telah dibuat, diperoleh nilai fuzzy berdasarkan nilai fuzzy masing-masing variabel masukan. 3.6.4 Defuzzifikasi Defuzzifikasi adalah proses pengkonversian setiap hasil dari inference system yang diekspresikan dalam bentuk fuzzy set ke satu bilangan real. Hasil konversi tersebut merupakan keluaran yang diambil oleh system logika fuzzy. Karena itu, pemilihan metode defuzzifikasi yang sesuai juga turut mempengaruhi system kendali logika fuzzy dakam menghasilkan respon yang optimum. Dalam pembangunan logika fuzzy ini, metode defuzzifikasi yang digunakan adalah weight average rata-rata terbobot. Metode ini mengambil nilai rata- rata dengan menggunakan pembobotan berupa derajat keanggotaan.

4.7 Validasi Model Logika Fuzzy

Setelah permodelan menggunakan logika fuzzy didapatkan, langkah selanjutnya adalah validasi atau pengujian. Pengujian dilakukan untuk mengetahui apakah perancangan perancangan model prediksi cuaca yang dibuat telah sesuai dengan tujuan yang ingin dicapai. Pengujian ini dilakukan untuk keperluan analisa. Data prediksi hasil model logika fuzzy di validasi dengan data actual dari BMKG, dengan cara mencocokkan hasil keluaran dengan data actual. Data yang divalidasi adalah data rata- rata perhari. Apabila hasil keluaran sesuai dengan variabel linguistic data actual, maka prediksi pada hari tersebut bernilai tepat. 4.8 Pembuatan Software Prediktor Setelah mendapatkan permodelan dan telah diuji validitasnya, maka dilakukan pembuatan software yang digunakan sebagai simulator. Pembuatan software ini menggunakan GUIDE MATLAB 7.8. Software prediktor ini terdiri atas variabel- variabel yang mempengaruhi fungsi keluaran seperti suhu, tekanan, kelembaban, dan kecepatan angin. Dengan hasil keluaran berupa hasil prediksi hujan dan prediksi kecepatan angin baik dalam bentuk numeric maupun linguistic, serta rekomendasi apakah cuaca tersebut layak untuk dilakukan penerbangan. IV PEMBAHASAN Pada pembuatan prediksi cuaca berbasis logika fuzzy ini digunakan variabel masukan dan variabel keluaran yang digunakan untuk membangun logika fuzzy untuk pembangunan logika fuzzy. Variabel masukan untuk rekomendasi penerbangan yang digunakan dalam pembangunan logika fuzzy ini meliputi kondisi actual kecepatan angin knot, suhu C, kelembaban dan tekanan udara mb. Data yang digunakan untuk permodelan menggunakan data selama satu tahun, dimulai dari maret 2010 hingga februari 2011 di titik pengamatan 00º 92’ LU - 104º 53’ BT. Data yang digunakan berupa data rata-rata harian yang didapatkan dari stasiun meteorologi Kelas III Tanjungpinang.

4.1 Penerapan Konsep Logika Fuzzy

Berdasarkan teori tentang konsep logika fuzzy pada bab 2, pada bab ini akan dibahas penerapan dari konsep logika fuzzy tersebut untuk membangun model prediksi cuaca menggunakan logika fuzzy.

4.1.1 Pengolahan dan Pengelompokan Data Masukan

Sebelum membangun model prediksi cuaca, dilakukan pengolahan dan pengelompokan data atau proses clustering data menggunakan teknik Fuzzy Clustering Means FCM. Berdasarkan algoritma FCM yang ada pada bab 2, maka pada bab ini akan dibahas penerapan algoritma tersebut untuk mengelompokkan data yang akan digunakan untuk membangun model prediksi cuaca. Misalkan terdapat 15 sampel data yang merupakan variabel suhu sebagaimana terlihat pada tabel 4.1. Tabel 4.1 Data-data yang akan di cluster Data ke- Suhu [1] [2] 1 24.5 2 27.6 3 26.6 4 25.1 5 24.8 6 26.7 7 27.0 8 25.8 9 27.9 10 26.5 11 28.4 12 27.7 13 27.7 14 28.5 15 27.2 Data-data tersebut akan dikelompokkan menjadi 3 cluster. Parameter yang digunakan dalam prose pengclusteran dengan menggunakan algoritma FCM adalah:  C Jumlah cluster yang akan dibentuk = 3  W PangkatPembobot = 2  Maksimum Iterasi = 100  Kriteria Penghentian = 10 -6 Matriks partisi U dipilih secara acak jumlah kolom sebanyak jumlah data yang akan dicluster, misalkan: = 0.25 ⋮ ⋯ ⋮ 0.48 0.40 ⋮ ⋱ ⋮ 0.24 0.35 ⋮ ⋯ ⋮ 0.28 Sebagai catatan, jumlah setiap kolom pada matriks U harus sama dengan 1. Pusat cluster dihitung dengan persamaan 2.6, diperoleh: = [ 27.49 26.55 26.59] Jarak antara setiap data dengan pusat cluster dihitung dengan menggunakan persamaan 2.10, diperoleh: = 2.99 ⋮ ⋯ ⋮ 0.29 2.05 ⋮ ⋱ ⋮ 0.65 2.09 ⋮ ⋯ ⋮ 0.61 Hitung fungsi objektif untuk iterasi pertama dengan menggunakan persamaan 2.8, sehingga diperoleh = 9.904188 . Selanjutnya matriks partisi U 1 diperbaiki dengan menggunakan persamaan 2.9 sehingga diperoleh: = 0.26 ⋮ ⋯ ⋮ 0.52 0.37 ⋮ ⋱ ⋮ 0.23 0.37 ⋮ ⋯ ⋮ 0.25 Nilai mutlak terbesar selisih antara U 1 dan U adalah ∆ = 0.6 , sehingga proses diulangi lagi dengan menghitung pusat cluster, diperoleh sebagai berikut: = [ 27.56 26.25 26.40] Demikian seterusnya hingga terakhir pada iterasi yang ke-11 diperoleh pusat cluster, V, sebagai berikut: = [ 26.70 27.95 24.87] Matriks partisi U 11 diperbaiki dengan persamaan 2.9, sehingga diperoleh: = 0.03 ⋮ ⋯ ⋮ 0.67 0.01 ⋮ ⋱ ⋮ 0.30 0.96 ⋮ ⋯ ⋮ 0.03 Nilai mutlak terbesar selisih antara U 11 dan U 10 adalah Δ = 8.9 x 10 -7 , sehingga proses iterasi dihentikan, karena matriks partisi sudah konvergen. Dari hasil tersebut dapat dilihat kecenderungan suatu data untuk masuk pada cluster tertentu seperti terlihat pada tabel 4.2. Tabel 4.2 Kecenderungan Data Pada Cluster Tertentu Data Ke- [1] Matriks Partisi Kecenderungan Cluster C 1 [2] C 2 [3] C 3 [4] C 1 [5] C 2 [6] C 3 [7] 1 0.0269 0.0110 0.9621 √ 2 0.1291 0.8570 0.0139 √ 3 0.9903 0.0060 0.0036 √ 4 0.0202 0.0064 0.9734 √ 5 0.0013 0.0005 0.9982 √ 6 1.0000 0.0000 0.0000 √ 7 0.8959 0.0869 0.0172 √ 8 0.4713 0.0837 0.4450 √ 9 0.0016 0.9982 0.0002 √ 10 0.9654 0.0194 0.0152 √ 11 0.0656 0.9193 0.0151 √ 12 0.0578 0.9351 0.0071 √ 13 0.0578 0.9351 0.0071 √ Lanjutan Tabel 4.2 [1] [2] [3] [4] [5] [6] [7] 14 0.0848 0.8945 0.0207 √ 15 0.6740 0.2957 0.0304 √ Berdasarkan tabel tersebut, terlihat bahwa data ke-3, 6, 7, 8, 10 dan 15 cenderung untuk masuk ke cluster yang pertama suhu sedang, data ke-2, 9, 11, 12, 13, dan 14 cenderung untuk masuk cluster kedua suhu tinggi, sedangkan data ke-1, 4 dan 5 cenderung untuk masuk ke cluster ketiga suhu rendah. Proses pengclusteran ini juga dilakukan untuk semua variabel masukan, dengan langkah yang sama seperti melakukan pengclusteran variabel suhu. Akan tetapi, karena data yang akan di cluster jumlahnya sangat banyak, maka pada penelitian ini menggunakan bantuan matlab untuk mempercepat proses clustering.

4.1.2 Fuzzifikasi