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