PENERAPAN LOGIKA FUZZY SEBAGAI SISTEM PENDUKUNG KEPUTUSAN PRAKIRAAN CUACA

(1)

PENERAPAN LOGIKA FUZZY SEBAGAI SISTEM PENDUKUNG

KEPUTUSAN PRAKIRAAN CUACA

Decky Irmawan

,

Khamami Herusantoso

2) 1)

Stasiun Meteorologi Klas I Ngurah Rai

Gedung GOI Lt.II Bandara Ngurah Rai Denpasar

Pusdiklat Keuangan Umum

Jl. Pancoran Timur II No.1 Jakarta Selatan

e-mail:

[email protected], [email protected]

Abstract

One of weather analyzing source is contributed by Radiosonde; an instrument aimed to record atmospheric condition. The output may consist of several variables. Through proper methods, we can predict both weather and thunderstorm in next 12 hours. The research uses fuzzy logic approachment through Sugeno Ordo 0 methods. To test the effectiveness of system, datas from January 2009 involved. The output then compared through real condition at similar time.The result shows weather prediction appoints 76%. Meanwhile thunderstorm prediction appoints 86%. These mean fuzzy logic approachment deserves a decision support system to forecast both weather and thunderstorm in next 12 hours.

Keywords: weather forecast, fuzzy logic, Sugeno Ordo 0 methods, Radiosonde 1. Pendahuluan

Kian pesatnya perkembangan teknologi informasi dan komunikasi menjadikan hal tersebut sebagai suatu kebutuhan. Teknologi tidak hanya berkutat di pusat-pusat kegiatan ekonomi manusia, tetapi juga telah menyentuh bidang yang lebih spesifik. Di antara yang spesifik tersebut adalah teknologi informasi dan komunikasi di bidang meteorologi. Meteorologi adalah ilmu yang mempelajari keada-an cuaca beserta sifat fisisnya. Pemkeada-anfaatkeada-an tekno-logi di bidang meteorotekno-logi dapat diterapkan untuk: • melakukan pengamatan cuaca,

• melaksanakan analisis dan prakiraan cuaca • membuat model cuaca

• menyelenggarakan sistem komunikasi dan jaringan informasi cuaca

• pemeliharaan instrumen cuaca

Pada dasarnya, dalam melakukan analisis cuaca, dibutuhkan masukan yang terdiri dari ber-bagai unsur meteorologi. Pendekatan untuk mema-hami kejadian cuaca dilakukan dengan menggu-nakan bermacam teori fisika dan matematika, yang selanjutnya diterapkan ke dalam sistem komputer sehingga dapat mendukung prakirawan dalam memprakirakan cuaca.

Stasiun Meteorologi Klas I Cengkareng, menggunakan beberapa sumber untuk membuat informasi prakiraan. Di antaranya dengan meman-faatkan data hasil pengamatan Radiosonde (rason), yaitu pengamatan dengan cara menerbangkan setiap 12 jam sekali sebuah perangkat elektronik yang dilengkapi pemancar untuk mengetahui

dinamika atmosfer. Sinyal yang dipancarkan dari rason akan diterima oleh stasiun pengamatan cua-ca di permukaan bumi dan selanjutnya diolah de-ngan perangkat lunak RAOB sehingga akan meng-hasilkan output berupa informasi dinamika atmosfer pada suatu wilayah tertentu di atas per-mukaan bumi. Dengan dilakukannya pengamatan rason tiap 12 jam, maka sebagian output data pengamatan rason tersebut setidaknya dapat digu-nakan untuk memprakirakan kondisi cuaca mau-pun peluang badai guntur dalam 12 jam ke depan. Sebagian output data rason dimaksud adalah gaya angkat uap air itu sendiri atau SWEAT (Severe Weather Threat), energi potensial yang memungkinkan uap air terangkat secara vertikal atau CAPE (Convective Available Potential Energy), dan ketersediaan uap air pada ketinggian tertentu di atmosfer atau RH 700 (Relative Hu-midity at 700 mb), K Indeks yang merupakan metode untuk memprakirakan peluang badai guntur di daerah tropis, serta Total Totals Indeks

untuk mengetahui laju penurunan suhu pada la-pisan atmosfer antara 850 mb dan 500 mb.

Masing-masing variabel tersebut memiliki rentang skala yang berbeda dalam memberikan kriteria prakiraan. Untuk menyederhanakan per-sepsi agar menghasilkan kriteria prakiraan cuaca yang sama dari beberapa variabel di atas, perlu ada suatu metode yang dapat membantu menjelaskan batasan antara satu kriteria dengan kriteria lainnya. Dengan begitu, akan lebih mudah dalam mendu-kung keputusan prakiraan kondisi cuaca umum di suatu wilayah, apakah cerah, berawan, ataupun hu-jan. Serta dapat memprakirakan peluang terjadinya

(2)

badai guntur, apakah lemah atau kuat. Salah satu metode yang mampu mengatasi permasalahan ini adalah pendekatan logika fuzzy, yaitu suatu sistem yang dibangun dengan definisi, cara kerja dan deskripsi yang jelas berdasarkan logika fuzzy.

Sejauh yang penulis ketahui, selama ini seba-gian besar penelitian untuk mamprakirakan cuaca berdasarkan logika fuzzy dilakukan dengan me-manfaatkan output data unsur pengamatan cuaca permukaan. Sedangkan penggunaan logika fuzzy untuk memprakirakan cuaca dalam 12 jam ke de-pan (very short range) dengan memanfaatkan output data hasil pengamatan rason belum pernah dilakukan.

2. Dasar Teori 2.1.Logika Fuzzy

Menurut Agus Naba, logika fuzzy adalah: ”Sebuah metodologi berhitung dengan variabel kata-kata (linguistic variable) sebagai pengganti berhitung dengan bilangan. Kata-kata yang digu-nakan dalam fuzzy logic memang tidak sepresisi bilangan, namun kata-kata jauh lebih dekat dengan intuisi manusia” (Naba, 2009). Pemahaman ten-tang logika fuzzy adalah bahwa pada dasarnya tidak semua keputusan dijelaskan hanya dengan 0 atau 1, melainkan ada kondisi yang terdapat di antara keduanya. Daerah di antara 0 dan 1 inilah yang dikenal dengan fuzzy atau tersamar. Secara umum, konsep sistem logika fuzzy adalah: • Himpunan tegas, adalah nilai keanggotaan

suatu item dalam suatu himpunan tertentu. • Himpunan fuzzy, adalah suatu himpunan

yang digunakan untuk mengatasi kekakuan dari himpunan tegas.

• Fungsi keanggotaan, memiliki interval 0-1 • Variabel linguistik, adalah suatu variabel

yang memiliki nilai berupa kata-kata yang dinyatakan dalam bahasa alamiah dan bukan angka.

• Operasi dasar himpunan fuzzy, adalah operasi untuk menggabungkan dan atau memodifikasi himpunan fuzzy.

• Aturan (rule) if-then fuzzy adalah suatu per-nyataan if-then, di mana beberapa kata-kata dalam pernyataan tersebut ditentukan oleh fungsi keanggotaan.

Dalam proses pemanfaatan logika fuzzy, hal yang perlu diperhatikan adalah cara mengolah input menjadi output melalui sistem inferensi fuzzy. Inferensi fuzzy metode atau cara untuk merumuskan pemetaan dari ma-sukan yang diberikan kepada sebuah output. Proses ini melibatkan: fungsi keanggotaan, operasi logika, serta aturan IF-THEN. Hasil dari proses ini akan menghasilkan sebuah sistem yang disebut Sistem Inferensi Fuzzy (FIS). Pada logika fuzzy, tersedia

beberapa jenis FIS, antara lain Mamdani, Sugeno dan Tsukamoto.

2.2.Metode Mamdani

Metode Mamdani adalah cara untuk menda-patkan keluaran dengan menggunakan tahapan: • Fuzzifikasi: tahapan di mana variabel

ma-sukan maupun keluaran terdiri atas satu atau lebih himpunan fuzzy. Selanjutnya derajat keanggotaan masing-masing variabel ditentu-kan, sehingga akan didapatkan nilai linguis-tiknya. Dengan cara ini, setiap variabel ma-sukan difuzzifikasikan.

• Aplikasi Fungsi Implikasi: tahap di mana proses mendapatkan kesimpulan sebuah atur-an IF-THEN dilakukatur-an berdasarkatur-an derajat kebenaran. Fungsi Implikasi yang digunakan pada metode ini adalah fungsi minimum, artinya menetapkan fungsi terkecil di antara dua atau lebih bilangan.

• Komposisi: disebut juga dengan agregasi, adalah suatu proses untuk mengkombi-nasikan keluaran semua IF-THEN menjadi sebuah kesimpulan tunggal. Jika pada bagian kesimpulan terdapat lebih dari satu pernya-taan, maka proses agregasi dilakukan secara terpisah untuk tiap variabel keluaran aturan IF-THEN. Agre-gasi semacam ini dijalankan dengan logika fuzzy OR.

• Penegasan (defuzzy) adalah tahapan di mana besaran fuzzy hasil dari sistem inferensi, diubah menjadi besaran tegas. Input dari defuzzifikasi adalah suatu himpunan yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan bilangan pada domain himpunan fuzzy tersebut.

2.3.Metode Sugeno

Pada dasarnya tidak banyak perbedaan antara FIS metode Mamdani dan Sugeno. Perbedaan utamanya hanya terletak pada keluaran sistemnya yang bukan berupa himpunan fuzzy, tetapi berupa konstanta atau persamaan linear. Metode ini memiliki dua model, yaitu Orde 0 dan Orde 1. Pada Orde 0, rumusnya adalah:

IF (x1 is a1) ° (x2 is A2) °…°(xn is An)

THEN z= k,

dengan Ai adalah himpunan fuzzy ke i sebagai antaseden (alasan), ° adalah operator fuzzy (AND atau OR) dan k merupakan konstanta tegas sebagai konsekuen (kesimpulan). Sedangkan ru-mus Orde 1 adalah:

IF (x1 is a1) ° (x2 is A2) °…°(xn is An)

(3)

dengan Ai adalah himpunan fuzzy ke i seba-gai antaseden, ° adalah operator fuzzy (AND atau OR), pi adalah konstanta ke i dan q juga merupakan konstanta dalam konsekuen.

2.4.Prakiraan cuaca

Prakiraan cuaca merupakan suatu hasil ke-giatan pengamatan kondisi fisis dan dinamis udara dari berbagai tempat pengamatan yang kemudian dikumpulkan, di mana kumpulan hasil pengamatan dilakukan secara matematis dengan memper-hatikan ruang dan waktu kecenderungan kondisi fisis udara sedemikian rupa sehingga diperoleh suatu prakiraan. Menurut Zakir (2008): di In-donesia informasi prakiraan cuaca yang sudah dikenal masyarakat adalah berawan, cerah dan hu-jan. Sementara itu untuk terjadinya hujan di-kaitkan dengan proses fisis dan dinamis atmosfer yang diketahui melalui parameter-parameter sperti adanya massa udara, gaya vertikal dan e-nergi. Karena itu dalam memprakirakan cuaca perlu pengetahuan dasar terhadap parameter yang digunakan (p.9).

2.5.Labilitas Udara Sebagai Faktor Pem-bentuk Cuaca

Udara dipersepsikan sebagai paket atau par-sel yang dapat terangkat jika suhu di dalam parpar-sel tersebut lebih hangat dibandingkan suhu di ling-kungan luarnya. Sedangkan jika suhu di dalam parsel lebih dingin daripada suhu di lingkungan luarnya, maka parsel tidak dapat terangkat dan akan kembali ke tempat semula. Ketika parsel ter-angkat, artinya parsel bergerak menuju tempat yang bertekanan lebih rendah. Akibatnya parsel akan mengembang. Untuk mengembang, parsel memerlukan energi yang diambil dari dalam parsel tersebut. Konsekuensinya, akibat energinya terle-pas, maka suhu parsel tersebut akan turun. Proses ini disebut adiabatik. Jika parsel dapat terus naik dan kelembaban udaranya mencapai 100%, maka pertumbuhan awan akan mulai terjadi.

2.6.Terjadinya Badai Guntur

Badai guntur atau Thunderstorm (selanjutnya disingkat TS) merupakan peristiwa terlepasnya satu atau lebih muatan positif kelistrikan di atmos-fer secara mendadak yang ditandai dengan adanya kilat atau guntur. TS selalu terjadi pada awan kon-vektif yang kuat, yaitu awan Cumulonimbus/CB.

3. Metode Penelitian

Data primer hasil pengamatan rason semula hanya berupa data tekanan, arah dan kecepatan angin, kelembaban udara, suhu udara dan suhu titik embun serta ketinggian lapisan atmosfer di

mana data cuaca dicatat. Dengan memasukkan data tersebut ke dalam RAOB 5.7, hasil keluaran akan menunjukkan informasi nilai masing-masing variabel. Berikut adalah contoh output RAOB 5.7:

Gambar 1. Hasil pengolahan rason dengan RAOB5.7 Sebagian data di atas yaitu: SWEAT, CAPE, RH700, K Indeks dan Total Totals Indeks lalu di-pilih untuk dipergunakan sebagai variabel ma-sukan. Klasifikasi variabel tersebut adalah: a. SWEAT, dengan kriteria:

< 145 konvektivitas lemah 145 to 205 konvektivitas kuat > 205 konvektivitas sangat kuat b. CAPE, dengan kriteria:

< 1000 energinya kecil 1000 - 2500 energinya besar > 2500 energinya sangat besar c. RH 700, dengan kriteria:

> 10 kandungan uap air sedikit 10 to 60 kandungan uap air sedang > 60 kandungan uap air banyak d. K Index, dengan kriteria:

< 40 potensi labilitas kecil 40 potensi labilitas besar e. Total Totals Index, dengan kriteria: < 45 Tidak ada awan CB

45 Ada awan CB

3.1.Sistem Inferensi Fuzzy

a. Pembentukan Fungsi Keanggotaan

Penelitian diawali dengan pengelompokan masing-masing variabel menjadi tiga himpunan, dengan masing-masing himpunan memiliki ren-tang nilai tertentu. Karena menggunakan operator

AND, maka penentuan nilai keanggotaan ( -pre-dikat), dilakukan dengan mengambil nilai mini-mum dari hasil operasi pembentukan aturan fuzzy. Kurva untuk daerah tepi berbentuk bahu, sedang-kan bagian tengah berbentuk segitiga. Fungsi kur-va bahu adalah untuk mengakhiri kur-variabel suatu daerah fuzzy, dengan rumusan fungsi keanggotaan untuk bahu kiri:

(4)

µ“Kriteri Linguistik 1” (x) = b - x

, a x b b - a

0 , x b (3.1)

Untuk kurva segitiga, rumusan fungsi keang-gotaannya adalah:

0 , x a

x - a

, a x b µ

µ µ

µ“Kriteria Linguistik 2” (x)= b - a

c - x , b x c

c - b

0 , x c (3.2)

Sedangkan rumusan fungsi keanggotaan untuk bahu kanan adalah:

0 , x b µ

µ µ

µ“Kriteria Linguistik 3”(x) = _x_{- b}

b x c c - b

1 x c (3.3)

Untuk memprakirakan peluang TS, karena fungsi keanggotaannya hanya terdiri dari dua himpunan, fungsi segitiga tidak dipergunakan.

b. Aplikasi Fungsi Implikasi, Komposisi dan Penegasan dengan Metode Suge-no Orde 0

Untuk prakiraan cuaca umum, di bawah ini digambarkan Sistem Inferensi Fuzzy:

Gambar 2. Diagram Sistem Inferensi Fuzzy untuk memprakiraan cuaca umum

Dari diagram di atas, nampak bahwa tiap va-riabel memiliki kriteria tersendiri untuk menen-tukan kejadian cuaca. Untuk menenmenen-tukan prakira-an cuaca umum, diperlukprakira-an kombinasi kriteria dari ketiga variabel tersebut, sebagaimana dilakukan dalam pembentukan aturan fuzzy. Untuk menda-patkan keluaran, caranya dengan menghitung rata-rata terbobot berdasarkan rumus:

Z = 1(w1) + 2(w2) + 2(w2) + … + n(wn)

1 + 2 + 2 +… + n

dengan Z = output rata-rata yang telah diberi bobot dan berupa konstanta (k),

= -predikat = nilai minimum dari hasil operasi pembentukan aturan fuzzy ke n

w = bobot untuk setiap prakiraan dalam pem-bentukan aturan fuzzy

Cara dan metode yang sama juga digu-nakan untuk memprakirakan peluang terjadinya TS, de-ngan variabel yang digunakan adalah K Indeks dan Total Totals Indeks dengan masing-masing variabel terdiri atas dua himpunan fuzzy. Diagram berikut akan menjelaskan bagaimana logika fuzzy dilakukan dalam FIS untuk memprakirakan TS:

(5)

Gambar 3. Diagram Sistem Inferensi Fuzzy untuk memprakirakan TS

c. Verifikasi

Verifikasi dilakukan untuk mengetahui pro-sentase tingkat ketepatan prakiraan dibandingkan kondisi cuaca sebenarnya. Rumus verifikasinya:

TK = data prakiraan cuaca benar x 100% data kondisi cuaca sebenarnya

Guna mengetahui nilai hasil verifikasi, maka perlu dilakukan kualifikasi sebagai berikut:

Tabel I Skor Penilaian Data Hasil Verifikasi

Skor Kategori Nilai Tk. Ketepatan A Istimewa 91 - 100 B Sangat Baik 81 - 90

C Baik 71 - 80

D Cukup Baik 61 - 70

E Kurang 51 - 60

F Sangat Kurang < 50

d. Kriteria Kondisi Cuaca dan TS

Untuk memudahkan pemahaman apakah kon-disi cuaca dianggap cerah, berawan atau hujan, maka dibuat batasan-batasan sebagai berikut: • Cuaca cerah jika pada rentang waktu yang

di-tentukan jumlah awan yang menutupi langit 4 oktas (menutupi kurang dari separuh hingga separuh bagian langit) dan tidak terjadi hujan • Cuaca berawan jika pada rentang waktu yang

ditentukan jumlah awan yang menutupi langit > 4 oktas dan tidak terjadi hujan

• Cuaca hujan jika pada rentang waktu yang ditentukan terjadi hujan tanpa mempertim-bangkan berapa banyak jumlah awan yang menutupi langit.

Sedangkan batasan untuk memperkirakan peluang TS adalah:

• TS dinyatakan kuat jika pada rentang waktu yang dimaksud terjadi muatan kelistrikan di atmosfer secara mendadak yang ditandai

de-ngan kilat disertai guntur. Jika hanya terde-ngar suara guntur, meskipun tidak nampak kilat, maka kriteria tersebut termasuk TS kuat. • TS dikatakan lemah jika dalam selang waktu yang dimaksud hanya terlihat kilat saja namun tidak terdengar suara guntur, atau tidak ada guntur dan kilat sama sekali.

4. Analisa Dan Pembahasan

Tabel II Output Data Rason

Stasiun Meteorologi Klas I Cengkareng Bulan Januari 2009

NO TGL JAM SWEAT CAPE RH K I T I

1 1 0.00 241 30.42 82 35.5 44.7 2 1 12.00 206.19 3.81 62 27.3 37.4 3 2 0.00 205.39 103.36 58 28.3 42.2 4 2 12.00 237.29 25.19 66 29.9 40.4 5 3 0.00 142.82 23.66 66 27.3 38.8 6 3 12.00 - - - - - 7 4 0.00 70.61 1.07 54 18.7 33.8 8 4 12.00 97.81 28.67 40 16.9 35 9 5 0.00 203.6 5.3 46 26.6 43.9 10 5 12.00 204.81 625.36 79 34.2 41.6 11 6 0.00 212.39 145.23 79 33.3 41.5 12 6 12.00 214.81 323.35 88 35.7 42.7 13 7 0.00 - - - - - 14 7 12.00 217.21 1342.52 79 35.6 44.4 15 8 0.00 193.61 182.72 79 33.7 43.7 16 8 12.00 231.53 1572 96 40.3 47 17 9 0.00 232.4 629.55 90 34.6 42 18 9 12.00 214.4 1415.23 82 35.5 44.3 19 10 0.00 222.82 123.34 83 35.7 45.9 20 10 12.00 188.2 11.22 50 22.9 37.6 21 11 0.00 191.79 61.14 62 26.1 37.4 22 11 12.00 219.8 85.56 87 34.7 42.6 23 12 0.00 230.4 221.07 85 35.7 44.8 24 12 12.00 261 133.3 94 36.5 42.7 25 13 0.00 252.2 1252.93 97 36.9 43.8 26 13 12.00 231.21 0 66 29.5 38.8 27 14 0.00 250.2 50 76 34.4 43.3 28 14 12.00 253 849.24 72 32.9 43.8 29 15 0.00 226.8 548.77 72 32.1 32.1 30 15 12.00 213.41 415.87 82 33.1 41.5 31 16 0.00 236.6 575.67 95 33.7 38.9 32 16 12.00 218.21 195.16 80 31.5 38.3 33 17 0.00 211.41 302.98 71 30.2 40.3 34 17 12.00 207.41 836.78 78 32.8 41.3 35 18 0.00 208.21 84.65 62 26.8 38.1 36 18 12.00 217.01 339.29 89 35.5 41.9 37 19 0.00 227.62 676.86 80 34.4 43.1

(6)

38 19 12.00 227.81 732.42 82 36.6 45.8 39 20 0.00 204.01 273.8 73 32.1 41.8 40 20 12.00 196.41 450.31 71 31.6 31.6 41 21 0.00 190.01 133.41 62 27.4 37.9 42 21 12.00 173.61 0 62 26.9 36.2 43 22 0.00 188.41 0 62 27 27 44 22 12.00 188.81 92.67 62 29.1 39.4 45 23 0.00 239.8 1161.69 92 38.6 38.6 46 23 12.00 209 178.36 58 31 43.5 47 24 0.00 221.8 908.64 50 28.9 28.9 48 24 12.00 218.2 340.35 74 34.7 44.4 49 25 0.00 197.21 593.09 78 36.4 46.5 50 25 12.00 192.81 44.86 75 34.2 44.1 51 26 0.00 204.81 821.31 91 38 45.5 52 26 12.00 200.41 411.02 71 33.4 43.7 53 27 0.00 215.61 778.53 79 34.5 44.1 54 27 12.00 228.4 228.5 62 29.6 41.1 55 28 0.00 202.81 56.73 79 32.7 41.5 56 28 12.00 213.2 283.83 74 33.2 43.1 57 29 0.00 217.6 128.02 92 36 42.5 58 29 12.00 212.41 319.92 91 36 42.5 59 30 0.00 238 169.26 81 34.9 43.5 60 30 12.00 - - - - - 61 31 0.00 - - - - - 62 31 12.00 210.01 311.88 90 35.3 41.6 Sumber: Stasiun Meteorologi Klas I Cengkareng

4.1.FIS untuk Prakiraan Cuaca Umum

a. Pembentukan Fungsi Keanggotaan

Fuzzifikasi SWEAT

Fuzzifikasi CAPE

Fuzzifikasi RH700

b. Aplikasi Fungsi Implikasi, Komposisi dan Penegasan (Defuzzy)

Setelah menerima input fungsi keanggotaan dari masing-masing himpunan di atas, langkah selanjutnya adalah mengkombinasikan himpunan-himpunan tersebut menjadi 27 aturan (R). Dengan menggunakan operator AND dalam kombinasi ini, maka penentuan -predikat dilakukan dengan mencari nilai ter-kecil dari setiap kombinasi. Agar lebih mudah memahami proses implikasi, komposisi, dan defuzzy, kita asumsikan bahwa: • Untuk fungsi keanggotaan SWEAT,

him-punan lemah diberi bobot 1, kuat diberi bobot 2, dan sangat kuat diberi bobot 3.

• Untuk fungsi keanggotaan CAPE: himpunan kecil diberi bobot 1, besar diberi bobot 2, dan sangat besar diberi bobot 3.

• Untuk fungsi keanggotaan RH700: him-punan sedikit diberi bobot 1, sedang diberi bobot 2, dan banyak diberi bobot 3.

Berdasarkan pernyataan tersebut, pemaham-an mengenai ke 27 aturan tersebut beserta pembo-botannya adalah sebagai berikut:

1. (R1) Jika konvektivitas lemah (1), energi

kecil (1) dan uap air sedikit (1), maka prakiraan adalah cerah (0.33).

2. (R2) Jika konvektivitas lemah (1), energi

kecil (1) dan uap air sedang (2), maka prakiraan adalah cerah (0.44).

3. (R3) Jika konvektivitas lemah (1), energi

kecil (1) dan uap air banyak (3), maka prakiraan adalah berawan (0.55).

4. (R4) Jika konvektivitas kuat (2), energi kecil (1) dan uap air sedikit (1), maka prakiraan adalah berawan (0.44).

5. (R5) Jika konvektivitas kuat (2), energi kecil (1) dan uap air sedang (2), maka prakiraan adalah berawan (0.55).

6. (R6) Jika konvektivitas kuat (2), energi kecil (1) dan uap air banyak (3), maka prakiraan adalah berawan (0.66).

7. (R7) Jika konvektivitas sangat kuat (3), energi kecil(1) dan uap air sedikit (1), maka prakiraan adalah berawan (0.55).

8. (R8) Jika konvektivitas sangat kuat (3), energi kecil(1) dan uap air sedang (2), maka prakiraan adalah berawan (0.66).

9. (R9) Jika konvektivitas sangat kuat (3), energi kecil(1) dan uap air banyak (3), maka prakiraan adalah hujan (0.77).

10. (R10) Jika konvektivitas lemah (1), energi

besar (2) dan uap air sedikit (1), maka prakiraan adalah cerah (0.44).

11. (R11) Jika konvektivitas lemah (1), energi

besar (2) dan uap air sedang (2), maka prakiraan adalah berawan (0.55).

(7)

12. (R12) Jika konvektivitas lemah (1), energi

besar (2) dan uap air banyak (3), maka prakiraan adalah berawan (0.66).

13. (R13) Jika konvektivitas kuat (2), energi

besar (2) dan uap air sedikit (1), maka prakiraan adalah berawan (0.55).

14. (R14) Jika konvektivitas kuat (2), energi

besar (2) dan uap air sedang (2), maka prakiraan adalah berawan (0.66).

15. (R15) Jika konvektivitas kuat (2), energi

besar (2) dan uap air banyak (3), maka prakiraan adalah berawan (0.715).

16. (R16) Jika konvektivitas sangat kuat (3), energi besar (2) dan uap air sedikit (1), maka prakiraan adalah berawan (0.66).

17. (R17) Jika konvektivitas sangat kuat (3), energi besar (2) dan uap air sedang (2), maka prakiraan adalah berawan (0.715). 18. (R18) Jika konvektivitas sangat kuat (3),

energi besar (2) dan uap air banyak (3), maka prakiraan adalah hujan (0.88).

19. (R19) Jika konvektivitas lemah (1), energi

sangat besar (3) dan uap air sedikit (1), maka prakiraan adalah berawan (0.55). 20. (R20) Jika konvektivitas lemah (1), energi

sangat besar (3) dan uap air sedang (2 maka prakiraan adalah berawan (0.66).

21. (R21) Jika konvektivitas lemah (1), energi

sangat besar (3) dan uap air banyak (3), maka prakiraan adalah hujan (0.77).

22. (R22) Jika konvektivitas kuat (2), energi

sangat besar (3) dan uap air sedikit (1), maka prakiraan adalah berawan (0.66). 23. (R23) Jika konvektivitas kuat (2), energi

sangat besar (3) dan uap air sedang (2), maka prakiraan adalah berawan (0.715). 24. (R24) Jika konvektivitas kuat (2), energi

sangat besar (3) dan uap air banyak (3), maka prakiraan adalah hujan (0.88).

25. (R25) Jika konvektivitas sangat kuat (3), energi sangat besar (3) dan uap air sedikit (1), maka prakiraan adalah hujan (0.77)

26. (R26) Jika konvektivitas sangat kuat (3), energi sangat besar (3) dan uap air sedang (2), maka prakiraan adalah hujan (0.88)

27. (R27) Jika konvektivitas sangat kuat (3), energi sangat besar (3) dan uap air banyak (3), maka prakiraan adalah hujan (1)

Semula, logika untuk memperoleh bobot prakiraan cuaca adalah dengan menjumlah bobot kombinasi antar himpunan. Namun karena rentang nilai bobot pada logika fuzzy adalah antara 0 sampai 1, maka nilai masing-masing bobot dikali

0.11, agar bobot maksimum 1 tercapai. Sedangkan untuk menen-tukan prakiraan cuaca adalah dengan mem-pertimbangkan komposisi bobot paling

do-minan dari tiga himpunan yang ada. Kecuali pada

R3, R7 dan R19 dengan komposisi bobot (1 1 3),

(1 3 1) dan (3 1 1), kriteria prakiraannya adalah berawan.

Permasalahannya adalah, bagaimana jika ter-dapat hasil yang sama namun komposisi penjum-lahan bobotnya berbeda seperti pada R9, R21 dan

R25 dengan komposisi bo-bot (3 1 3), (1 3 3) dan

(3 3 1) serta pada R15, R17 dan R23 dengan komposisi bobot (2 2 3), (3 2 2) dan (2 3 2) yang sama-sama berjumlah 7? Untuk membedakannya dalam fungsi IF-THEN, maka pada R9, R21 dan

R25 diberi bobot 7 x 0.11 = 0.77 yang masuk dalam kriteria hujan. Sedangkan pada R15, R17

dan R23 diberi bobot 6.5 x 0.11 = 0.715, yang masuk dalam kriteria berawan. Dengan demikian maka kriteria prakiraan cuaca umum yang berlaku adalah:

• cerah jika skor 0.44

• berawan jika skor 0.44 < Z < 0.77 • hujan jika skor 0.77 skor maksimum 1.

Dengan memasukkan variabel output data rason untuk prakiraan cuaca umum tanggal 01 Januari 2009, akan didapati nilai SWEAT sebesar 241 masuk dalam himpunan sangat sangat kuat (3), nilai CAPE sebesar 30.42 masuk dalam himpunan lemah (1) dan nilai RH700 sebesar 82 masuk dalam himpunan banyak (3). Komposisi ini pada dasarnya sama dengan komposisi pada R9 dengan bobot nilai akhir 0.77. Namun berdasarkan runtutan proses, hasil akhirnya tidak serta-merta didapat langsung hanya dengan memperhatikan satu aturan saja, karena masih harus melalui proses agregasi, yaitu proses untuk mengubah besaran fuzzy menjadi bilangan tegas. Dalam metode Sugeno Orde 0, agregasi dilakukan dengan meng-hitung rata-rata terbobot, di mana hasil akhir (Z)

merupa-kan jumlah total -predikatmin dikali bobot

dibagi jumlah total -predikatmin. Jumlah total

-predikatmin yang telah diberi bobot adalah 0.77 dan

jumlah total -predikatmin. adalah 1, sehingga akan

didapati bahwa Z adalah 0.77/1 = 0.77. Ber-dasarkan kriteria, nilai 0.77masuk kategori hujan.

4.2.FIS untuk Prakiraan Peluang TS a. Pembentukan Fungsi Keanggotaan

Pembentukan fungsi keanggotaan juga dilakukan terhadap variabel untuk mempra-kirakan peluang badai guntur. Terdapat dua variabel untuk menentukan prakiraan cuaca dengan tiap-tiap variabel digolongkan menjadi dua himpunan kriteria.

(8)

Fuzzifikasi K Indeks

b. Aplikasi Fungsi Implikasi, Komposisi dan Penegasan (Defuzzy)

Setelah menerima input fungsi keanggotaan dari masing-masing himpunan di atas, langkah selanjutnya adalah mengkombinasi-kan himpunan-himpunan tersebut menjadi 4 aturan. Dengan menggunakan operator AND dalam kombinasi ini, maka penentuan -pre-dikat dilakukan dengan mencari nilai terkecil dari setiap kombinasi. Penjelasan untuk me-mahami tabel di atas adalah: 1. (R1) Jika atmosfer stabil, dan perawanan

menunjukkan tidak ada CB, maka praki-raan adalah TS lemah dengan bobot (0).

2. (R2) Jika atmosfer stabil, dan perawanan menunjukkan ada CB, maka prakiraan adalah

TS lemah dengan bobot (0.5).

3. (R3) Jika atmosfer labil, dan perawanan menunjukkan tidak ada CB, maka praki-raan adalah TS lemah dengan bobot (0).

4. (R4) Jika atmosfer labil, dan perawanan menunjukkan ada CB, maka prakiraan adalah

TS kuat dengan bobot (1).

Pada dasarnya, syarat untuk terbentuknya badai guntur (TS) adalah tersedianya potensi labilitas yang besar dan selalu terbentuk dari awan CB. Itulah mengapa pada indeks yang menun-jukkan kestabilan atmosfer dan tidak ada awan CB diberi bobot 0. Sedangkan alasan pembobotan pa-da aturan nomer dua apa-dalah karena meskipun kon-disi stabil, namun ada indikasi awan CB. Sehing-ga peluang terjadinya CB adalah 50-50. Sedang-kan untuk menentuSedang-kan peluang TS, secara empirik diberi bobot:

• TS Lemah jika skor 0.90

• TS Kuat jika skor > 0.90 dengan skor maksimum 1.

Setelah pembobotan pada masing-masing aturan selesai dilakukan, maka perlu proses agre-gasi untuk mengubah besaran fuzzy menjadi

bilangan tegas. Dalam metode Sugeno Orde 0, agregasi dilakukan dengan meng-hitung rata-rata terbobot, di mana hasil akhir (Z) merupakan jumlah -predikatmin dikali bobot dibagi jumlah

-predikatmin. Dengan memasukkan variabel output

data rason untuk prakiraan peluang TS tanggal 01 Januari 2009, di mana nilai K Indeks sebesar 35.5 dan nilai T Indeks sebesar 44.7, maka jumlah total -predikatmin yang telah diberi bobot ya-itu 0.8875

dibagi jumlah total -predikatmin. yaitu 1.02, akan

memperoleh Z= 0.8875/1.02 = 0.87. Berdasarkan kriteria prakiraan peluang terjadinya TS, nilai 0.87 termasuk da-lam kategori TS Lemah.

4.3.UJI VERIFIKASI

Untuk membandingkan sejauh mana pra-kiraan sesuai dengan kejadian sebenarnya, kolom paling kanan dari kedua tabel di bawah ini akan menunjukkan kondisi cuaca sebenar-nya sesuai waktu kejadian.

Tabel III. Verifikasi Prakiraan Cuaca Umum Bulan Januari 2009

Data

TGL Jam Z Prakiraan Fakta ke

1 1 0.00 0.77 Hujan Berawan 2 1 12.00 0.77 Hujan Hujan 3 2 0.00 0.761 Berawan Berawan 4 2 12.00 0.77 Hujan Berawan 5 3 0.00 0.656 Berawan Berawan 6 3 12.00 - - - 7 4 0.00 0.524 Berawan Berawan 8 4 12.00 0.352 Cerah Cerah 9 5 0.00 0.358 Cerah Berawan 10 5 12.00 0.769 Berawan Berawan 11 6 0.00 0.77 Hujan Hujan 12 6 12.00 0.77 Hujan Berawan 13 7 0.00 - - - 14 7 12.00 0.821 Hujan Hujan 15 8 0.00 0.749 Berawan Berawan 16 8 12.00 0.854 Hujan Hujan 17 9 0.00 0.77 Hujan Hujan 18 9 12.00 0.831 Hujan Hujan 19 10 0.00 0.758 Berawan Berawan 20 10 12.00 0.682 Berawan Hujan 21 11 0.00 0.746 Berawan Berawan 22 11 12.00 0.77 Hujan Hujan 23 12 0.00 0.77 Hujan Hujan 24 12 12.00 0.77 Hujan Hujan 25 13 0.00 0.807 Hujan Hujan 26 13 12.00 0.77 Hujan Hujan 27 14 0.00 0.77 Hujan Hujan 28 14 12.00 0.77 Hujan Hujan 29 15 0.00 0.77 Hujan Hujan 30 15 12.00 0.77 Hujan Hujan 31 16 0.00 0.77 Hujan Hujan 32 16 12.00 0.77 Hujan Hujan

(9)

33 17 0.00 0.77 Hujan Hujan 34 17 12.00 0.77 Hujan Hujan 35 18 0.00 0.77 Hujan Berawan 36 18 12.00 0.77 Hujan Hujan 37 19 0.00 0.77 Hujan Berawan 38 19 12.00 0.77 Hujan Berawan 39 20 0.00 0.768 Berawan Berawan 40 20 12.00 0.755 Berawan Berawan 41 21 0.00 0.743 Berawan Berawan 42 21 12.00 0.713 Berawan Hujan 43 22 0.00 0.747 Berawan Berawan 44 22 12.00 0.74 Berawan Berawan 45 23 0.00 0.794 Hujan Hujan 46 23 12.00 0.77 Hujan Berawan 47 24 0.00 0.726 Berawan Berawan 48 24 12.00 0.77 Hujan Berawan 49 25 0.00 0.756 Berawan Berawan 50 25 12.00 0.748 Berawan Hujan 51 26 0.00 0.77 Hujan Hujan 52 26 12.00 0.761 Berawan Hujan 53 27 0.00 0.77 Hujan Hujan 54 27 12.00 0.77 Hujan Hujan 55 28 0.00 0.766 Berawan Berawan 56 28 12.00 0.77 Hujan Hujan 57 29 0.00 0.77 Hujan Berawan 58 29 12.00 0.77 Hujan Hujan 59 30 0.00 0.77 Hujan Hujan 60 30 12.00 - - - 61 31 0.00 - - - 62 31 12.00 0.77 Hujan Hujan

Tabel IV. Verifikasi Prakiraan Peluang TS Bulan Januari 2009

Data

ke TGL Jam Z Prakiraan Fakta

1 1 0.00 0.87 TS Lemah Tidak Ada TS 2 1 12.00 0.406 TS Lemah Tidak Ada TS 3 2 0.00 0.571 TS Lemah Tidak Ada TS 4 2 12.00 0.534 TS Lemah Tidak Ada TS 5 3 0.00 0.438 TS Lemah Tidak Ada TS 6 3 12.00 - - - 7 4 0.00 0.251 TS Lemah Tidak Ada TS 8 4 12.00 0.28 TS Lemah Tidak Ada TS 9 5 0.00 0.605 TS Lemah Tidak Ada TS 10 5 12.00 0.658 TS Lemah Tidak Ada TS 11 6 0.00 0.631 TS Lemah Tidak Ada TS 12 6 12.00 0.744 TS Lemah Terjadi TS 13 7 0.00 - - - 14 7 12.00 0.84 TS Lemah Tidak Ada TS 15 8 0.00 0.755 TS Lemah Tidak Ada TS 16 8 12.00 1 TS Kuat Tidak Ada TS 17 9 0.00 0.687 TS Lemah Tidak Ada TS 18 9 12.00 0.837 TS Lemah Tidak Ada TS 19 10 0.00 0.893 TS Lemah Tidak Ada TS

20 10 12.00 0.372 TS Lemah Tidak Ada TS 21 11 0.00 0.394 TS Lemah Tidak Ada TS 22 11 12.00 0.711 TS Lemah Tidak Ada TS 23 12 0.00 0.875 TS Lemah Tidak Ada TS 24 12 12.00 0.76 TS Lemah Tidak Ada TS 25 13 0.00 0.839 TS Lemah Tidak Ada TS 26 13 12.00 0.473 TS Lemah Tidak Ada TS 27 14 0.00 0.741 TS Lemah Tidak Ada TS 28 14 12.00 0.748 TS Lemah Terjadi TS 29 15 0.00 0.319 TS Lemah Tidak Ada TS 30 15 12.00 0.627 TS Lemah Tidak Ada TS 31 16 0.00 0.547 TS Lemah Tidak Ada TS 32 16 12.00 0.492 TS Lemah Tidak Ada TS 33 17 0.00 0.532 TS Lemah Tidak Ada TS 34 17 12.00 0.621 TS Lemah Tidak Ada TS 35 18 0.00 0.414 TS Lemah Tidak Ada TS 36 18 12.00 0.693 TS Lemah Tidak Ada TS 37 19 0.00 0.741 TS Lemah Tidak Ada TS 38 19 12.00 0.915 TS Kuat Tidak Ada TS 39 20 0.00 0.627 TS Lemah Tidak Ada TS 40 20 12.00 0.333 TS Lemah Tidak Ada TS 41 21 0.00 0.418 TS Lemah Tidak Ada TS 42 21 12.00 0.401 TS Lemah Tidak Ada TS 43 22 0.00 0.369 TS Lemah Tidak Ada TS 44 22 12.00 0.463 TS Lemah Tidak Ada TS 45 23 0.00 0.662 TS Lemah Tidak Ada TS 46 23 12.00 0.68 TS Lemah Tidak Ada TS 47 24 0.00 0.269 TS Lemah Tidak Ada TS 48 24 12.00 0.818 TS Lemah Terjadi TS 49 25 0.00 0.91 TS Kuat Tidak Ada TS 50 25 12.00 0.792 TS Lemah Tidak Ada TS 51 26 0.00 0.95 TS Kuat Terjadi TS 52 26 12.00 0.746 TS Lemah Tidak Ada TS 53 27 0.00 0.799 TS Lemah Tidak Ada TS 54 27 12.00 0.552 TS Lemah Terjadi TS 55 28 0.00 0.619 TS Lemah Tidak Ada TS 56 28 12.00 0.716 TS Lemah Terjadi TS 57 29 0.00 0.738 TS Lemah Tidak Ada TS 58 29 12.00 0.738 TS Lemah Tidak Ada TS 59 30 0.00 0.765 TS Lemah Tidak Ada TS 60 30 12.00 - - - 61 31 0.00 - - - 62 31 12.00 0.679 TS Lemah Tidak Ada TS

Berdasarkan data ke dua tabel di atas, maka:

a. Hasil prakiraan cuaca umum bulan Ja-nuari 2009 menunjukkan 44 data tepat dari 58 data yang ada. Uji verifikasinya: (44/58) x 100% = 76% dengan kategori baik.

b. Hasil prakiraan peluang TS bulan Januari 2009, menunjukkan 50 data tepat dari 58 data

(10)

yang ada. Uji verifikasinya: (50/58) x 100% = 86% dengan kategori sangat baik.

5. KESIMPULAN DAN SARAN

5.1.Kesimpulan

a. Logika fuzzy dengan Metode Sugeno Orde 0 ini dapat diterapkan sebagai sistem pendu-kung untuk memprakirakan cuaca, yang di-tunjukkan berdasarkan hasil pengolahan, ana-lisa, dan uji verifikasi terhadap data-data yang diteliti.

b. Para prakirawan di Stasiun Meteorologi Klas I Cengkareng akan dapat dengan mudah mengambil keputusan untuk me-nentukan keadaan cuaca dalam 12 jam ke depan: apakah cerah, berawan atau hujan. Juga dapat dengan cepat menen-tukan peluang terjadinya TS, lemah atau-kah kuat.

5.2.Saran

a. Diperlukan berbagai masukan untuk memperbaiki tingkat keakuratannya. Di antaranya adalah dengan mencari alternatif variabel yang tersedia pada data hasil pengamatan rason, memodifikasi fungsi keanggotaan masing-masing him-punan variabel, maupun menentukan bobot nilai alternatif di luar penelitian ini.

b. Sampel penelitian dapat diperluas hingga ke seluruh stasiun yang melakukan peng-amatan rason.

c. Penelitian ini dapat digunakan untuk pe-nelitian sejenis selama masih menerapkan sistem pendukung keputusan de-ngan Logika Fuzzy.

6. DAFTAR REFERENSI

[1] Atmospheric Stability, 2005, Nopember 12 2010 <http://www.ux1.eiu.edu/~cfjps/ 1400/ stability.html>

[2] Kusumadewi, Sri, & Hartati, Sri (2010), Neu-ro-Fuzzy Integrasi Sistem Fuzzy & Jaringan Syaraf Edisi 2, Yogyakarta, Graha Ilmu [3] Kusumadewi, Sri, dan Purnomo, Hari (2010),

Aplikasi Logika Fuzzy untuk Pendukung Keputusan, Yogyakarta, Graha Ilmu.

[4] Naba, Agus (2009), Belajar Cepat Fuzzy Logic Menggunakan MATLAB, Yogyakarta, Andi Offset.

[5] Zakir, Achmad (2008), Modul Praktis Analisa dan Prakiraan Cuaca, Jakarta, Pusat Sistem Data dan Informasi Meteorologi.

(1)

Gambar 3. Diagram Sistem Inferensi Fuzzy untuk memprakirakan TS

c. Verifikasi

Verifikasi dilakukan untuk mengetahui pro-sentase tingkat ketepatan prakiraan dibandingkan kondisi cuaca sebenarnya. Rumus verifikasinya:

TK = data prakiraan cuaca benar x 100% data kondisi cuaca sebenarnya

Guna mengetahui nilai hasil verifikasi, maka perlu dilakukan kualifikasi sebagai berikut:

Tabel I Skor Penilaian Data Hasil Verifikasi

Skor Kategori Nilai Tk. Ketepatan

A Istimewa 91 - 100

B Sangat Baik 81 - 90

C Baik 71 - 80

D Cukup Baik 61 - 70

E Kurang 51 - 60

F Sangat Kurang < 50

d. Kriteria Kondisi Cuaca dan TS

Untuk memudahkan pemahaman apakah kon-disi cuaca dianggap cerah, berawan atau hujan, maka dibuat batasan-batasan sebagai berikut: • Cuaca cerah jika pada rentang waktu yang

di-tentukan jumlah awan yang menutupi langit 4 oktas (menutupi kurang dari separuh hingga separuh bagian langit) dan tidak terjadi hujan • Cuaca berawan jika pada rentang waktu yang

ditentukan jumlah awan yang menutupi langit > 4 oktas dan tidak terjadi hujan

• Cuaca hujan jika pada rentang waktu yang ditentukan terjadi hujan tanpa mempertim-bangkan berapa banyak jumlah awan yang menutupi langit.

Sedangkan batasan untuk memperkirakan peluang TS adalah:

• TS dinyatakan kuat jika pada rentang waktu yang dimaksud terjadi muatan kelistrikan di atmosfer secara mendadak yang ditandai

4. Analisa Dan Pembahasan

Tabel II Output Data Rason

Stasiun Meteorologi Klas I Cengkareng Bulan Januari 2009

NO TGL JAM SWEAT CAPE RH K I T I

1 1 0.00 241 30.42 82 35.5 44.7

2 1 12.00 206.19 3.81 62 27.3 37.4

3 2 0.00 205.39 103.36 58 28.3 42.2

4 2 12.00 237.29 25.19 66 29.9 40.4

5 3 0.00 142.82 23.66 66 27.3 38.8

6 3 12.00 - - - - -

7 4 0.00 70.61 1.07 54 18.7 33.8

8 4 12.00 97.81 28.67 40 16.9 35

9 5 0.00 203.6 5.3 46 26.6 43.9

10 5 12.00 204.81 625.36 79 34.2 41.6

11 6 0.00 212.39 145.23 79 33.3 41.5

12 6 12.00 214.81 323.35 88 35.7 42.7

13 7 0.00 - - - - -

14 7 12.00 217.21 1342.52 79 35.6 44.4

15 8 0.00 193.61 182.72 79 33.7 43.7

16 8 12.00 231.53 1572 96 40.3 47

17 9 0.00 232.4 629.55 90 34.6 42

18 9 12.00 214.4 1415.23 82 35.5 44.3

19 10 0.00 222.82 123.34 83 35.7 45.9

20 10 12.00 188.2 11.22 50 22.9 37.6

21 11 0.00 191.79 61.14 62 26.1 37.4

22 11 12.00 219.8 85.56 87 34.7 42.6

23 12 0.00 230.4 221.07 85 35.7 44.8

24 12 12.00 261 133.3 94 36.5 42.7

25 13 0.00 252.2 1252.93 97 36.9 43.8

26 13 12.00 231.21 0 66 29.5 38.8

27 14 0.00 250.2 50 76 34.4 43.3

28 14 12.00 253 849.24 72 32.9 43.8

29 15 0.00 226.8 548.77 72 32.1 32.1

30 15 12.00 213.41 415.87 82 33.1 41.5

31 16 0.00 236.6 575.67 95 33.7 38.9

32 16 12.00 218.21 195.16 80 31.5 38.3

33 17 0.00 211.41 302.98 71 30.2 40.3

34 17 12.00 207.41 836.78 78 32.8 41.3

35 18 0.00 208.21 84.65 62 26.8 38.1

36 18 12.00 217.01 339.29 89 35.5 41.9

(2)

38 19 12.00 227.81 732.42 82 36.6 45.8 39 20 0.00 204.01 273.8 73 32.1 41.8

40 20 12.00 196.41 450.31 71 31.6 31.6

41 21 0.00 190.01 133.41 62 27.4 37.9

42 21 12.00 173.61 0 62 26.9 36.2

43 22 0.00 188.41 0 62 27 27

44 22 12.00 188.81 92.67 62 29.1 39.4

45 23 0.00 239.8 1161.69 92 38.6 38.6

46 23 12.00 209 178.36 58 31 43.5

47 24 0.00 221.8 908.64 50 28.9 28.9

48 24 12.00 218.2 340.35 74 34.7 44.4

49 25 0.00 197.21 593.09 78 36.4 46.5

50 25 12.00 192.81 44.86 75 34.2 44.1

51 26 0.00 204.81 821.31 91 38 45.5

52 26 12.00 200.41 411.02 71 33.4 43.7

53 27 0.00 215.61 778.53 79 34.5 44.1

54 27 12.00 228.4 228.5 62 29.6 41.1

55 28 0.00 202.81 56.73 79 32.7 41.5

56 28 12.00 213.2 283.83 74 33.2 43.1

57 29 0.00 217.6 128.02 92 36 42.5

58 29 12.00 212.41 319.92 91 36 42.5

59 30 0.00 238 169.26 81 34.9 43.5

60 30 12.00 - - - - -

61 31 0.00 - - - - -

62 31 12.00 210.01 311.88 90 35.3 41.6 Sumber: Stasiun Meteorologi Klas I Cengkareng

4.1.FIS untuk Prakiraan Cuaca Umum

a. Pembentukan Fungsi Keanggotaan

Fuzzifikasi SWEAT

Fuzzifikasi CAPE

Fuzzifikasi RH700

b. Aplikasi Fungsi Implikasi, Komposisi dan Penegasan (Defuzzy)

him-punan lemah diberi bobot 1, kuat diberi bobot 2, dan sangat kuat diberi bobot 3.

• Untuk fungsi keanggotaan CAPE: himpunan kecil diberi bobot 1, besar diberi bobot 2, dan sangat besar diberi bobot 3.

• Untuk fungsi keanggotaan RH700: him-punan sedikit diberi bobot 1, sedang diberi bobot 2, dan banyak diberi bobot 3.

Berdasarkan pernyataan tersebut, pemaham-an mengenai ke 27 aturan tersebut beserta pembo-botannya adalah sebagai berikut:

1. (R1) Jika konvektivitas lemah (1), energi

kecil (1) dan uap air sedikit (1), maka prakiraan adalah cerah (0.33).

2. (R2) Jika konvektivitas lemah (1), energi

kecil (1) dan uap air sedang (2), maka prakiraan adalah cerah (0.44).

3. (R3) Jika konvektivitas lemah (1), energi

kecil (1) dan uap air banyak (3), maka prakiraan adalah berawan (0.55).

4. (R4) Jika konvektivitas kuat (2), energi kecil (1) dan uap air sedikit (1), maka prakiraan adalah berawan (0.44).

5. (R5) Jika konvektivitas kuat (2), energi kecil (1) dan uap air sedang (2), maka prakiraan adalah berawan (0.55).

6. (R6) Jika konvektivitas kuat (2), energi kecil (1) dan uap air banyak (3), maka prakiraan adalah berawan (0.66).

7. (R7) Jika konvektivitas sangat kuat (3), energi kecil(1) dan uap air sedikit (1), maka prakiraan adalah berawan (0.55).

8. (R8) Jika konvektivitas sangat kuat (3), energi kecil(1) dan uap air sedang (2), maka prakiraan adalah berawan (0.66).

9. (R9) Jika konvektivitas sangat kuat (3), energi kecil(1) dan uap air banyak (3), maka prakiraan adalah hujan (0.77).

10. (R10) Jika konvektivitas lemah (1), energi

besar (2) dan uap air sedikit (1), maka prakiraan adalah cerah (0.44).

11. (R11) Jika konvektivitas lemah (1), energi

besar (2) dan uap air sedang (2), maka prakiraan adalah berawan (0.55).

(3)

12. (R12) Jika konvektivitas lemah (1), energi

besar (2) dan uap air banyak (3), maka prakiraan adalah berawan (0.66).

13. (R13) Jika konvektivitas kuat (2), energi

besar (2) dan uap air sedikit (1), maka prakiraan adalah berawan (0.55).

14. (R14) Jika konvektivitas kuat (2), energi

besar (2) dan uap air sedang (2), maka prakiraan adalah berawan (0.66).

15. (R15) Jika konvektivitas kuat (2), energi

besar (2) dan uap air banyak (3), maka prakiraan adalah berawan (0.715).

16. (R16) Jika konvektivitas sangat kuat (3), energi besar (2) dan uap air sedikit (1), maka prakiraan adalah berawan (0.66).

17. (R17) Jika konvektivitas sangat kuat (3), energi besar (2) dan uap air sedang (2), maka prakiraan adalah berawan (0.715). 18. (R18) Jika konvektivitas sangat kuat (3),

energi besar (2) dan uap air banyak (3), maka prakiraan adalah hujan (0.88).

19. (R19) Jika konvektivitas lemah (1), energi

sangat besar (3) dan uap air sedikit (1), maka prakiraan adalah berawan (0.55). 20. (R20) Jika konvektivitas lemah (1), energi

sangat besar (3) dan uap air sedang (2 maka prakiraan adalah berawan (0.66).

21. (R21) Jika konvektivitas lemah (1), energi

sangat besar (3) dan uap air banyak (3), maka prakiraan adalah hujan (0.77).

22. (R22) Jika konvektivitas kuat (2), energi

sangat besar (3) dan uap air sedikit (1), maka prakiraan adalah berawan (0.66). 23. (R23) Jika konvektivitas kuat (2), energi

sangat besar (3) dan uap air sedang (2), maka prakiraan adalah berawan (0.715). 24. (R24) Jika konvektivitas kuat (2), energi

sangat besar (3) dan uap air banyak (3), maka prakiraan adalah hujan (0.88).

25. (R25) Jika konvektivitas sangat kuat (3), energi sangat besar (3) dan uap air sedikit (1), maka prakiraan adalah hujan (0.77)

26. (R26) Jika konvektivitas sangat kuat (3), energi sangat besar (3) dan uap air sedang (2), maka prakiraan adalah hujan (0.88)

27. (R27) Jika konvektivitas sangat kuat (3), energi sangat besar (3) dan uap air banyak (3), maka prakiraan adalah hujan (1)

0.11, agar bobot maksimum 1 tercapai. Sedangkan untuk menen-tukan prakiraan cuaca adalah dengan mem-pertimbangkan komposisi bobot paling

do-minan dari tiga himpunan yang ada. Kecuali pada

R3, R7 dan R19 dengan komposisi bobot (1 1 3),

(1 3 1) dan (3 1 1), kriteria prakiraannya adalah berawan.

Permasalahannya adalah, bagaimana jika ter-dapat hasil yang sama namun komposisi penjum-lahan bobotnya berbeda seperti pada R9, R21 dan

R25 dengan komposisi bo-bot (3 1 3), (1 3 3) dan

R25 diberi bobot 7 x 0.11 = 0.77 yang masuk dalam kriteria hujan. Sedangkan pada R15, R17

dan R23 diberi bobot 6.5 x 0.11 = 0.715, yang masuk dalam kriteria berawan. Dengan demikian maka kriteria prakiraan cuaca umum yang berlaku adalah:

• cerah jika skor 0.44

• berawan jika skor 0.44 < Z < 0.77 • hujan jika skor 0.77 skor maksimum 1.

merupa-kan jumlah total -predikatmin dikali bobot dibagi jumlah total predikatmin. Jumlah total -predikatmin yang telah diberi bobot adalah 0.77 dan jumlah total -predikatmin. adalah 1, sehingga akan didapati bahwa Z adalah 0.77/1 = 0.77. Ber-dasarkan kriteria, nilai 0.77masuk kategori hujan.

4.2.FIS untuk Prakiraan Peluang TS

a. Pembentukan Fungsi Keanggotaan

(4)

Fuzzifikasi K Indeks

b. Aplikasi Fungsi Implikasi, Komposisi dan Penegasan (Defuzzy)

menunjukkan tidak ada CB, maka praki-raan adalah TS lemah dengan bobot (0).

2. (R2) Jika atmosfer stabil, dan perawanan menunjukkan ada CB, maka prakiraan adalah

TS lemah dengan bobot (0.5).

3. (R3) Jika atmosfer labil, dan perawanan menunjukkan tidak ada CB, maka praki-raan adalah TS lemah dengan bobot (0).

4. (R4) Jika atmosfer labil, dan perawanan menunjukkan ada CB, maka prakiraan adalah

TS kuat dengan bobot (1).

• TS Lemah jika skor 0.90

• TS Kuat jika skor > 0.90 dengan skor maksimum 1.

Setelah pembobotan pada masing-masing aturan selesai dilakukan, maka perlu proses agre-gasi untuk mengubah besaran fuzzy menjadi

bilangan tegas. Dalam metode Sugeno Orde 0, agregasi dilakukan dengan meng-hitung rata-rata terbobot, di mana hasil akhir (Z) merupakan jumlah predikatmin dikali bobot dibagi jumlah -predikatmin. Dengan memasukkan variabel output data rason untuk prakiraan peluang TS tanggal 01 Januari 2009, di mana nilai K Indeks sebesar 35.5 dan nilai T Indeks sebesar 44.7, maka jumlah total -predikatmin yang telah diberi bobot ya-itu 0.8875

dibagi jumlah total -predikatmin. yaitu 1.02, akan memperoleh Z= 0.8875/1.02 = 0.87. Berdasarkan kriteria prakiraan peluang terjadinya TS, nilai 0.87 termasuk da-lam kategori TS Lemah.

4.3.UJI VERIFIKASI

Untuk membandingkan sejauh mana pra-kiraan sesuai dengan kejadian sebenarnya, kolom paling kanan dari kedua tabel di bawah ini akan menunjukkan kondisi cuaca sebenar-nya sesuai waktu kejadian.

Tabel III. Verifikasi Prakiraan Cuaca Umum Bulan Januari 2009

Data

TGL Jam Z Prakiraan Fakta ke

1 1 0.00 0.77 Hujan Berawan 2 1 12.00 0.77 Hujan Hujan 3 2 0.00 0.761 Berawan Berawan 4 2 12.00 0.77 Hujan Berawan 5 3 0.00 0.656 Berawan Berawan

6 3 12.00 - - -

7 4 0.00 0.524 Berawan Berawan 8 4 12.00 0.352 Cerah Cerah 9 5 0.00 0.358 Cerah Berawan 10 5 12.00 0.769 Berawan Berawan 11 6 0.00 0.77 Hujan Hujan 12 6 12.00 0.77 Hujan Berawan

13 7 0.00 - - -

14 7 12.00 0.821 Hujan Hujan 15 8 0.00 0.749 Berawan Berawan 16 8 12.00 0.854 Hujan Hujan 17 9 0.00 0.77 Hujan Hujan 18 9 12.00 0.831 Hujan Hujan 19 10 0.00 0.758 Berawan Berawan 20 10 12.00 0.682 Berawan Hujan 21 11 0.00 0.746 Berawan Berawan 22 11 12.00 0.77 Hujan Hujan 23 12 0.00 0.77 Hujan Hujan 24 12 12.00 0.77 Hujan Hujan 25 13 0.00 0.807 Hujan Hujan 26 13 12.00 0.77 Hujan Hujan 27 14 0.00 0.77 Hujan Hujan 28 14 12.00 0.77 Hujan Hujan 29 15 0.00 0.77 Hujan Hujan 30 15 12.00 0.77 Hujan Hujan 31 16 0.00 0.77 Hujan Hujan 32 16 12.00 0.77 Hujan Hujan

(5)

60 30 12.00 - - -

61 31 0.00 - - -

62 31 12.00 0.77 Hujan Hujan

Tabel IV. Verifikasi Prakiraan Peluang TS Bulan Januari 2009

Data

ke TGL Jam Z Prakiraan Fakta

1 1 0.00 0.87 TS Lemah Tidak Ada TS

2 1 12.00 0.406 TS Lemah Tidak Ada TS

3 2 0.00 0.571 TS Lemah Tidak Ada TS

4 2 12.00 0.534 TS Lemah Tidak Ada TS

5 3 0.00 0.438 TS Lemah Tidak Ada TS

6 3 12.00 - - -

7 4 0.00 0.251 TS Lemah Tidak Ada TS 8 4 12.00 0.28 TS Lemah Tidak Ada TS

9 5 0.00 0.605 TS Lemah Tidak Ada TS

10 5 12.00 0.658 TS Lemah Tidak Ada TS

11 6 0.00 0.631 TS Lemah Tidak Ada TS

12 6 12.00 0.744 TS Lemah Terjadi TS

13 7 0.00 - - -

14 7 12.00 0.84 TS Lemah Tidak Ada TS 15 8 0.00 0.755 TS Lemah Tidak Ada TS

16 8 12.00 1 TS Kuat Tidak Ada TS 17 9 0.00 0.687 TS Lemah Tidak Ada TS

18 9 12.00 0.837 TS Lemah Tidak Ada TS

19 10 0.00 0.893 TS Lemah Tidak Ada TS

20 10 12.00 0.372 TS Lemah Tidak Ada TS

21 11 0.00 0.394 TS Lemah Tidak Ada TS

22 11 12.00 0.711 TS Lemah Tidak Ada TS

23 12 0.00 0.875 TS Lemah Tidak Ada TS

24 12 12.00 0.76 TS Lemah Tidak Ada TS

25 13 0.00 0.839 TS Lemah Tidak Ada TS

26 13 12.00 0.473 TS Lemah Tidak Ada TS 27 14 0.00 0.741 TS Lemah Tidak Ada TS

28 14 12.00 0.748 TS Lemah Terjadi TS 29 15 0.00 0.319 TS Lemah Tidak Ada TS

30 15 12.00 0.627 TS Lemah Tidak Ada TS

31 16 0.00 0.547 TS Lemah Tidak Ada TS

32 16 12.00 0.492 TS Lemah Tidak Ada TS

33 17 0.00 0.532 TS Lemah Tidak Ada TS

34 17 12.00 0.621 TS Lemah Tidak Ada TS

35 18 0.00 0.414 TS Lemah Tidak Ada TS 36 18 12.00 0.693 TS Lemah Tidak Ada TS

37 19 0.00 0.741 TS Lemah Tidak Ada TS

38 19 12.00 0.915 TS Kuat Tidak Ada TS 39 20 0.00 0.627 TS Lemah Tidak Ada TS

40 20 12.00 0.333 TS Lemah Tidak Ada TS

41 21 0.00 0.418 TS Lemah Tidak Ada TS

42 21 12.00 0.401 TS Lemah Tidak Ada TS

43 22 0.00 0.369 TS Lemah Tidak Ada TS 44 22 12.00 0.463 TS Lemah Tidak Ada TS

45 23 0.00 0.662 TS Lemah Tidak Ada TS

46 23 12.00 0.68 TS Lemah Tidak Ada TS

47 24 0.00 0.269 TS Lemah Tidak Ada TS

48 24 12.00 0.818 TS Lemah Terjadi TS 49 25 0.00 0.91 TS Kuat Tidak Ada TS 50 25 12.00 0.792 TS Lemah Tidak Ada TS 51 26 0.00 0.95 TS Kuat Terjadi TS

52 26 12.00 0.746 TS Lemah Tidak Ada TS

53 27 0.00 0.799 TS Lemah Tidak Ada TS

54 27 12.00 0.552 TS Lemah Terjadi TS 55 28 0.00 0.619 TS Lemah Tidak Ada TS

56 28 12.00 0.716 TS Lemah Terjadi TS 57 29 0.00 0.738 TS Lemah Tidak Ada TS

58 29 12.00 0.738 TS Lemah Tidak Ada TS

59 30 0.00 0.765 TS Lemah Tidak Ada TS

60 30 12.00 - - -

61 31 0.00 - - -

62 31 12.00 0.679 TS Lemah Tidak Ada TS

Berdasarkan data ke dua tabel di atas, maka:

a. Hasil prakiraan cuaca umum bulan Ja-nuari 2009 menunjukkan 44 data tepat dari 58 data yang ada. Uji verifikasinya: (44/58) x 100% = 76% dengan kategori baik.

b. Hasil prakiraan peluang TS bulan Januari 2009, menunjukkan 50 data tepat dari 58 data

(6)

yang ada. Uji verifikasinya: (50/58) x 100% = 86% dengan kategori sangat baik.

5. KESIMPULAN DAN SARAN

5.1.Kesimpulan

5.2.Saran

b. Sampel penelitian dapat diperluas hingga ke seluruh stasiun yang melakukan peng-amatan rason.

c. Penelitian ini dapat digunakan untuk pe-nelitian sejenis selama masih menerapkan sistem pendukung keputusan de-ngan Logika Fuzzy.

6. DAFTAR REFERENSI

[1] Atmospheric Stability, 2005, Nopember 12 2010 <http://www.ux1.eiu.edu/~cfjps/ 1400/ stability.html>

[2] Kusumadewi, Sri, & Hartati, Sri (2010), Neu-ro-Fuzzy Integrasi Sistem Fuzzy & Jaringan Syaraf Edisi 2, Yogyakarta, Graha Ilmu [3] Kusumadewi, Sri, dan Purnomo, Hari (2010),

Aplikasi Logika Fuzzy untuk Pendukung Keputusan, Yogyakarta, Graha Ilmu.

[4] Naba, Agus (2009), Belajar Cepat Fuzzy Logic Menggunakan MATLAB, Yogyakarta, Andi Offset.

[5] Zakir, Achmad (2008), Modul Praktis Analisa dan Prakiraan Cuaca, Jakarta, Pusat Sistem Data dan Informasi Meteorologi.

PENERAPAN LOGIKA FUZZY SEBAGAI SISTEM PENDUKUNG KEPUTUSAN PRAKIRAAN CUACA