PERANCANGAN PREDIKTOR CUACA MARITIM DENGAN ?· kelayakan pelayaran di laut.Informasi dan prakiraan cuaca,…

  • Published on
    08-Mar-2019

  • View
    212

  • Download
    0

Embed Size (px)

Transcript

<p>1 </p> <p>PERANCANGAN PREDIKTOR CUACA MARITIM DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) UNTUK MENINGKATKAN JANGKAUAN RAMALAN, </p> <p>STUDI KASUS : PELAYARAN SURABAYA-BANJARMASIN (Riky Jaya Sampurna, Ir. Syamsul Arifin, MT., Dr .Bambang Lelono W,ST.MT) </p> <p> Jurusan Teknik Fisika Fakultas Teknologi Industri </p> <p>Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih Sukolilo, Surabaya 60111 </p> <p> Abstrak </p> <p> Meningkatnya frekuensi kecelakaan transportasi laut di Indonesia akibat cuaca buruk menjadi hal penting untuk diselesaikan, sehingga peramalan dengan metode ANFIS menjadi solusi yang dapat digunakan selain menggunakan metode statistik. Dari rancangan prediktor cuaca maritim menggunakan ANFIS untuk prediksi kecepatan arus laut dengan ANFIS time seriesdihasilkan nilai RMSE validasi 0.33140 cm/s pada perairan Surabaya, 2.2038 cm/s pada titik A, 3.61466 pada titik B, 1.55217 cm/s pada laut Jawa, 1.1298 cm/s pada titik C, dan 0.4703 cm/s pada perairan Banjarmasin. Untuk prediksi kecepatan arus laut dengan ANFIS multi variate dihasilkan RMSE validasi 0.855033 cm/s pada perairan Surabaya, 2.3096 cm/s pada titik A, 2.62006 cm/s pada titik B, 1.77666 cm/s pada laut Jawa, 1.1921 cm/s pada titik C, dan 0.72269 cm/s pada perairan Banjarmasin. Sedangkan untuk prediksi ketinggian gelombang laut dengan ANFIS time seriesdihasilkan nilai RMSE validasi 0.00545 m pada perairan Surabaya, 0.01263 m pada titik A, 0.01543 m pada titik B, 0.01277 m pada laut Jawa, 0.01108 m pada titik C, dan 0.01841 m pada perairan Banjarmasin. Untuk prediksi ketinggian gelombang laut dengan ANFIS multi variate menghasilkan nilai RMSE validasi 0.005767 m pada perairan Surabaya, 0.01649 m pada titik A, 0.01825 m pada titik B, 0.01418 m pada laut Jawa, 0.01673 m pada titik C, dan 0.00905 m pada perairan Banjarmasin. </p> <p>Kata Kunci:ANFIS, Prediktor Cuaca Maritim, Peramalan </p> <p>I. PENDAHULUAN </p> <p>A. Latar Belakang Meningkatnya frekuensi kejadian </p> <p>kecelakaan transportasi laut di Indonesia akhir-akhir ini semakin lama semakin memprihatinkan.Beberapa kejadian kecelakaan yang dialami transportasi laut, baik tenggelamnya kapal maupun tabrakan antar kapal.Bila dilihat dari faktor penyebab terjadinya kecelakaan karena disebabkan kesalahan manusia (human error) 41%, bencana alam (force majeur) 38% dan akibat struktur kapal (hull structure) 21% (MTI, Volume 2, 1-2-3 Langkah, 2007). Seperti kejadian 22 november 2009 tenggelamnya kapal laut Dumai Express 10 di perairan Tanjung Balai Karimun, Kepulauan Riau yang diakibatkan oleh cuaca buruk. Hal ini sebabkan karena pola cuaca dan aklim yang tidak beraturan sehingga menyebabkan terganggunya sarana transportasi laut, lalu lintas perhubungan laut dan penyeberangan antar pulau. </p> <p>Faktor cuaca menjadi hal yang sulit untuk diprediksi dalam pelayaran, maka dari itu peramalan cuaca akhir akhir ini menjadi topik yang menarik untuk dibahas, karena sangat membantu dalam kelayakan pelayaran di laut.Informasi dan prakiraan cuaca, iklim yang ada pada website bmkg.go.id secara makro sangat membantu transportasi laut.Tetapi dilihat dari aspek kepresisian informasi dan prakiraan masih perlu ditingkatkan.Hal ini </p> <p>disebabkan informasi yang diberikan pada alamat website bmkg tersebut merupakan hasil dari keluaran sebuah program yang didasarkan pada data rata rata untuk beberapa posisi di Indonesia. Sebagai misal terdapat informasi prakiraan dalam 1 minggu ke depan dalam nilai rata rata dalam 7 hari tersebut. Nilai prakiraan ini tidak dinyatakan dalam jam dan hari tertentu ke depan. Hal ini akan sulit memberikan informasi secara presisi kondisi sebenarnya. Sedangkan penjadwalan pelayaran untuk melakukan aktivitas seharinya sangat bertumpu pada informasi dan prakiraan cuaca maritim ini.[6] </p> <p>Metode berbasis kepakaran yang dapat digunakan untuk menganalisa data atmosfir dan kemudian digunakan untuk memprediksinya dikenal dengan istilah Adaptive Neuro Fuzzy Inference System (ANFIS) yaitu logika fuzzy yang mampu menggunakan variabel linguistiksebagai salah satu data base dalam pengambilan keputusan untuk prediksi cuaca dan jaringan syaraf tiruan yang mempunyai kemampuan untuk beradaptasi karena variabel-variabel atmosfir yang bersifat non-linier. Kedua metode itu akan digabungkan dalam metode Adaptive Neuro Fuzzy Inference System agar bisa mempertinggi tingkat ketepatan prediksi cuaca tersebut.Pada penelitian tugas akhir ini akan dilakukan penelitian tentang </p> <p>http://id.wikipedia.org/w/index.php?title=Musibah_Kapal_laut_Dumai_Express_10&amp;action=edit&amp;redlink=1http://id.wikipedia.org/w/index.php?title=Musibah_Kapal_laut_Dumai_Express_10&amp;action=edit&amp;redlink=1</p> <p>2 </p> <p>aplikasi dari teori Adaptive Neuro Fuzzy Inference System (ANFIS) untuk peramalan cuaca untuk kebutuhan pelayaran kapal di pelayaran Surabaya-Banjarmasin. </p> <p>Pada penilitian sebelumnya yang dilakukan Ardian Candra berbasis Adaptive Neuro Fuzzy Inference System (ANFIS), koordinat pengambilan data adalah 70 12 20 LS - 1120 44 08 BT dan varibel cuaca yang diteliti yaitu tinggi gelombang laut, kuat arus laut dan curah hujan. Sedangkan penelitian yang dilakukan Prita Meilanitasari berbasis Fuzzy, koordinat pengambilan data berada pada 4,648136oS 113,908806oE dan varibel cuaca yang diteliti yaitu tinggi gelombang laut dan kuat arus laut.Kedua penelitian tersebut hanya dilakukan di satu koordinat pengambilan data sehingga memprediksi cuaca hanya pada satu wilayah saja. Oleh karena itu, penyusun akan merancang prediktor cuaca maritim berbasis Adaptive Neuro Fuzzy Inference System (ANFIS)untuk meningkatkan jangkauan ramalan pelayaran Surabaya-Banjarmasin dengan kordinat pengambilan data 3.540425oS - 113.90880oE (Perairan Banjarmasin), 4,648136oS - 113,908806oE (Laut Jawa) dan 6.874824oS 112.747800oE (Perairan Surabaya). Data tersebut terdiri dari 3 variabel yaitu ketinggian gelombang laut (m) dan kecepatan arus laut (cm/s).Selanjutnya data yang telah terekam itu dibagi menjadi dua bagian, bagian pertama digunakan sebagai data training dan bagian kedua dijadikan sebagai data validasi. Data tersebut akan diinterpolasi menggunakan interpolasi lagrange sehingga dapat mengetahui keadaan cuaca yang terjadi antara koordinat 3.540425oS - 113.90880oE (Perairan Banjarmasin), 4,648136oS - 113,908806oE (Laut Jawa) dan 6.874824oS 112.747800oE (Perairan Surabaya) untuk kelayakan pelayaran Surabaya-Banjarmasin. Interpolasi antara perairan Surabaya dan laut Jawa menghasilkan titik A dan B. Sedangkan interpolasi antara laut Jawa dan perairan Banjarmasin menghasilkan titik C sehingga ada enam lokasi pengamatan yang akan diteliti untuk meningkatkan jangkauan ramalan cuaca maritim pada pelayaran Surabaya-Banjarmasin.. B. Permasalahan Permasalahan dari tugas akhir ini adalah bagaimana merancang prediktor cuaca maritim berbasis Adaptive Neuro Fuzzy Inference System (ANFIS) untuk meningkatkan jangkauan ramalan, yang selanjutnya bisa didapatkan rekomendasi untuk kelayakan pelayaran Surabaya-Banjarmasin. C. Tujuan </p> <p> Adapun Tujuan daripada penelitian ini adalah dapat merancang prediktor cuaca maritim berbasis Adaptive Neuro Fuzzy Inference System (ANFIS) untuk meningkatkan jangkauan ramalan, yang selanjutnya bisa didapatkan rekomendasi untuk kelayakan pelayaran Surabaya-Banjarmasin. . D. Batasan Masalah Pada Tugas Akhir ini pokok bahasannya dibatasi beberapa hal sebagai berikut: </p> <p>1. Data diambil berupa data pelayaran dari BMKG II Perak Surabaya. </p> <p>2. Obyek analisa yaitu di wilayah pelayaran Surabaya-Banjarmasin. </p> <p>3. Variabel cuaca maritim yang akan diprediksi yaitu ketinggian gelombang laut dan kecepatan arus laut. </p> <p>4. Cuaca pelayaran yang dimaksud adalah cuaca yang diperuntukkan khusus untuk pelayaran, yaitu informasi cuaca pada saat kapal mau berlayar. </p> <p>5. Model sistem peramalan berdasar Adaptive Neuro Fuzzy Inference System (ANFIS). </p> <p> E. Metodologi Penelitian </p> <p>Untuk mencapai tujuan yang telah dibuat maka diperlukan sebuah metodologi penelitian yang memuan tahapan-tahapan untuk menyelesaikan tugas akhir ini. Adapun tahapan tersebut sebagai berikut: 1. Studi Literatur </p> <p> Studi literatur dilakukan untuk mendasar penyelesaian masalah di dalam tugas akhir ini. Materi yang perlu dipelajari adalah mengenai jaringan ANFIS dan proses pembelajarannya,selain itu parameter-parameter cuaca dan proses terjadinya hujan. Disamping itu perlu diketahui proses terjadinya geombang laut dan profil arus laut. 2. Pengambilan data lapangan </p> <p>Data yang digunakan dalam tugas akhir ini diukur oleh BMKG II Perak dan direkam per jam selama 5 tahun. 3. Pengolahan data input </p> <p> Data input untuk model ANFIS terlebih dahulu di training untuk mendapatkan pemodelan peramalan. 4. Perancangan program dan model ANFIS </p> <p> Dilakukan perancangan program menggunakan software MATLAB 7.8 untuk membuat model ANFIS yang merepresentasikan kondisi cuaca. 5. Validasi model ANFIS </p> <p>3 </p> <p> Dilakukan pengujian model ANFIS yang telah dibuat. </p> <p> 6. Analisis data </p> <p> Hasil pegujian yang berupa data hasil prediksi dibandingkan dengan data hasi pengukuran dan dapat diketahui tingkat ketepatan prediksi dari model ANFIS tersebut. 7. Penyusunan laporan dan buku tugas akhir F. Sistematika Laporan Penyusunan laporan tugas akhir ini dilakukan secara sistematis dan tersusun dalam lima bab yang terdiri dari BAB I Pendahuluan,bab ini dijelasakan tentang latar belakang, perumusan masalah, tujuan penelitian, batasan masalah, metodologi penelitian dan sistematika laporan.BAB II Tinjauan Pustaka,bab ini dibahas mengenai teori-teori dasar yang terkait dalam penulisan tugas akhir.BAB III Perancangan Model ANFIS, bab ini akan dijelaskan mengenai langkah-langkah pemodelan ANFIS beserta alogaritmanya.BAB IV Pengujian dan Analisis Hasil Simulasi, bab ini dilakukan pengujian model (validasi) dan analisis hasil simulasi serta dibandingkan dengan data hasil pengukuran. Dan BAB V Kesimpulan dan Saran, bab ini berisi tentang kesimpulan pokok dari seluruh rangakain penelitian yang telah dilakukan dan saran yang dapat dijadikan sebagai pengembangan penelitian selanjutnya </p> <p>II. DASAR TEORI </p> <p>A. Adaptive Neuro-Fuzzy Inference System (ANFIS) </p> <p> ANFIS adalah penggabungan mekanisme fuzzy inference system yang digambarkan dalam arsitektur jaringan syaraf.Sistem inferensi fuzzy yang digunakan adalah sistem inferensi fuzzy model Tagaki-Sugeno-Kang (TSK) orde satu dengan pertimbangan kesederhanaan dan kemudahan komputasi. Salah satu contoh ilustrasi mekanisme inferensi fuzzy TSK orde satu dengan dua masukan x dan y. Cara kerjanya seperti sistem FIS biasa akan tetapi cara perhitungannya (algoritmanya) berbeda. Gambar berikut ini memperlihatkan suatu masukan crisp (tidak fuzzy) x dan y, misalnya kita ingin mengontrol kecepatan motor listrik dengan mengatur tegangannya, jadi x itu pengukuran harga variabel yang dikontrol yaitu kecepatan pada saat ke t, dan misalnya y pengukuran pada saat ke t+1 sedangkan f adalah nilai tegangan yang diberikan sebagai sinyal kontrol. Harga x dan y tersebut jelaskan bukan fuzzy.Lalu nilai x dan y tersebut dipetakan pada funggsi keanggotaannya. </p> <p>Gambar 2.1 Sistem inferensi fuzzy TSK dua masukan dengan dua aturan[11] </p> <p> Dalam gambar di atas tiap-tiap input tersebut dibagi menjadi 2 fungsi keanggotaan, x dibagi dalam A1 dan A2; misalnya A1 menyatakan kecil dan A2 menyatakan besar. Begitu juga y dibagi dalam fungsi keanggotaan B1 yang menyatakan kecil dan B2 yang menyatakan besar. Dari pemetaan tersebut x dan y sudah menjadi variabel fuzzy yang masing-masing mempunyai nilai kecil dan besar tertentu.x mempunyai nilai A1 dan A2 sedangkan y punya nilai B1 dan B2. Nilai masing-masing pasangan input tersebut lalu diagregasi dengan operasi T-norm, misalnya operasi ini adalah operasi AND. Jadi w1 = (A1 AND A2) sedangkan w2 = (B1 AND B2). Untuk aturannya digunakan model fuzzy sugeno orde satu dengan persamaan: (2.1) (2.2) Sekarang kita mempunyai hasil akhir f1 dan f2. Ini merupakan nilai output sinyal kontrol, yaitu tegangan. Perhatikan kita telah loncat dari domain input x dan y (kecepatan) ke domain output f (tegangan). p1, q1, r1, p2, q2, dan r2 dinamakan dengan parameter konsekuen yang ditentukan dengan nilai awal tertentu dan akan berubah dengan pembelajaran (algoritma belajar). Pada bagian pembelajaran parameter konsekuen hal ini akan dibicarakan lebih detail. Sekarang yang penting kita mempunyai f1 dan f2.Selanjutnya dari nilai f1 dan f2 ini kita perlu mendapatkan satu nilai tegangan sebagai sinyal kontrol. Nilai akhir tersebut dihitung dengan persamaan: </p> <p> (2.3) </p> <p> Rumus tersebut dinamakan defuzzyfikasi.Rumus tersebut sebenarnya diperoleh dari salah satu metode defuzzyfikasi </p> <p>4 </p> <p>yaitu metode rata-rata tengah (centroid).Sekarang kita mempunyai harga tegangan output kontroler yang harus diberikan ke sistem yang kita kontrol. B. Fungsi Keanggotaan ANFIS Biasanya fungsi keanggotaan fuzzy input (premis) yang digunakan adalah fungsi Generalized-Bell yang dirumuskan ( ) </p> <p> | </p> <p> | (2.4) </p> <p> Gambar 2.2 Grafik Fungsi Keanggotaan </p> <p>Generalized-Bell[11] Fungsi Generalized-Bell pertama-tama akan dipakai sebagai fungsi keanggotaan dari masukan, dan kita tentukan sekehendak kita parameter awal a, b, c dan jumlah himpunan fuzzy input. Nantinya parameter premis a,b,c akan diubah dengan cara pembelajaran. C. Struktur ANFIS Struktur ANFIS yang menggambarkan sistem fuzzy TSK seperti yang bisa digambarkan dalam diagram blok atau disebut arsitektur jaringan syaraf feedforward seperti ini: </p> <p>A1</p> <p>A2</p> <p>B1</p> <p>B2</p> <p>N</p> <p>N</p> <p>X</p> <p>Y</p> <p>W1</p> <p>W2</p> <p>W1'</p> <p>W2'</p> <p>f</p> <p>XY</p> <p>XY</p> <p>Gambar 2.3 Struktur ANFIS 5 Lapisan[11] Maka terlihat strukrur ANFIS seperti jaringan syaraf (neural-network). Pada gambar 2.3 terlihat sistem neuro-fuzzy terdiri atas lima lapisan dengan fungsi yang berbeda untuk tiap lapisannya. Tiap lapisan terdiri atas beberapa simpul yang dilambangkan dengan kotak atau lingkaran. Lambang kotak menyatakan simpul adaptif artinya nilai parameternya bisa berubah dengan pembelajaran dan lambang lingkaran menyatakan simpul nonadaptif yang nilainya tetap. </p> <p>D. Pengaruh Unsur Cuaca pada Permukaan Laut Unsur-unsur cuaca yang meliputu angin, </p> <p>kelembaban udara, tekanan udara serta suhu berpengaruh pada keadaan permukaan laut yang keduanya disebut gerakan air laut. Dalam hal ini pengaruhnya terdapat pada ketinggian gelombang serta kecepatan arus laut. Utamanya di permukaan laut. Berikut adalah penjelasan dari gelombang serta arus laut. 1. Gelombang Laut Gelombang/ombak yang terjadi di lautan dapat diklasifikasikan menjadi beberapa macam tergantung kepada gayapembangkitnya. Pembangkit gelombang laut dapat disebabkan oleh: angin (gelombang angin), gaya tarik menarik bumi-bulan-matahari (gelombang pasang-surut), gempa (vulkanik atau tektonik) di dasar laut (gelombang tsunami), ataupun gelombang yang disebabkan oleh gerakan kapal.Energi...</p>

Recommended

View more >