Prediksi Curah Hujan Menggunakan Metode Anfis PDF [PDF]

Citation preview

PREDIKSI CURAH HUJAN MENGGUNAKAN METODE ANFIS (Adaptive Neuro Fuzzy Inference System)



LAPORAN KERJA PRAKTIK



Oleh: AMELIA DHANISWARA NIM. K1B017016



KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN UNIVERSITAS JENDERAL SOEDIRMAN FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM JURUSAN MATEMATIKA PURWOKERTO 2019



PREDIKSI CURAH HUJAN MENGGUNAKAN METODE ANFIS (Adaptive Neuro Fuzzy Inference System)



LAPORAN KERJA PRAKTIK



Oleh: AMELIA DHANISWARA NIM. K1B017016



Sebagai Salah Satu Persyaratan untuk Menyelesaikan Mata Kuliah Kerja Praktik Strata Satu Jurusan Matematika dan Ilmu Pengetahuan Alam Universitas Jenderal Soedirman



KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN UNIVERSITAS JENDERAL SOEDIRMAN FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM JURUSAN MATEMATIKA PURWOKERTO 2019



i



PERNYATAAN



Saya, yang bertanda tangan di bawah ini :



Nama



: Amelia Dhaniswara



NIM



: K1B017016



menyatakan dengan sebenar-benarnya bahwa laporan kerja praktik saya yang berjudul



PREDIKSI CURAH HUJAN MENGGUNAKAN METODE ANFIS (Adaptive Neuro Fuzzy Inference System)



adalah hasil karya sendiri dan bukan jiplakan hasil karya orang lain.



Demikian pernyataan ini saya buat dengan sebenar-benarnya. Jika di kemudian hari terbukti bahwa laporan kerja praktik saya merupakan hasil jiplakan maka saya bersedia menerima sanksi apapun yang diberikan.



Purwokerto, Desember 2019



Amelia Dhaniswara NIM. K1B017016



ii



LAPORAN KERJA PRAKTIK PREDIKSI CURAH HUJAN MENGGUNAKAN METODE ANFIS (Adaptive Neuro Fuzzy Inference System) Oleh: AMELIA DHANISWARA NIM. K1B017016



Disetujui dan disahkan Pada tanggal.................................



Dosen Pembimbing Kerja Praktik



Pembimbing Teknis



Supriyanto, M.Si. NIP. 19740525 200003 1 00 1



Teguh Wardoyo,SP NIP. 19720526 199301 1 00 1



Mengetahui, Dekan Fakultas MIPA



Drs. Sunardi,M.Si. NIP. 19590715 199002 1 00 1



iii



PEDOMAN PENGGUNAAN LAPORAN KERJA PRAKTIK



Laporan kerja praktik yang tidak dipublikasikan, terdaftar dan tersedia di Perpustakaan di lingkungan Universitas Jenderal Soedirman, dan terbuka untuk umum dengan ketentuan bahwa hak cipta ada pada pengarang. Referensi kepustakaan diperkenankan dicatat, tetapi pengutipan atau peringkasan hanya dapat dilakukan seizin pengarang dan harus disertai dengan kebiasaan ilmiah yang menyebutkan sumbernya. Memperbanyak atau menerbitkan sebagian atau seluruh laporan kerja praktik haruslah seizin Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Jenderal Soedirman.



iv



KATA PENGANTAR



Alhamdulillah, puji syukur kehadirat Allah SWT yang telah memberikan rahmat dan inayah-Nya sehingga penulis dapat menyelesaikan laporan kerja praktik yang berjudul “PREDIKSI CURAH HUJAN MENGGUNAKAN METODE ANFIS (Adaptive Neuro Fuzzy Inference System)” ini. Terima kasih penulis ucapkan kepada: 1. Bapak Drs. Sunardi, M.Si., selaku Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Jenderal Soedirman. 2. Ibu Dr. Idha Sihwaningrum, M.Sc.St., selaku Ketua Jurusan Matematika Universitas Jenderal Soedirman. 3. Bapak Supriyanto, M.Si., selaku Dosen Pembimbing kerja praktik yang telah memberikan saran, arahan, bimbingan, dan motivasi pada penyusunan laporan kerja praktik ini. 4. Bapak Teguh Wardoyo,SP., selaku Kepala Kelompok Jabatan Fungsional (KAPOKSI) Stasiun Meteorologi Tunggul Wulung Cilacap yang telah bersedia menjadi pembimbing teknis dan juga memberikan pembelajaran dan bimbingan selama kerja praktik di BMKG Cilacap. 5. Kedua orang tua dan seluruh keluarga yang selalu memberikan motivasi, baik material maupun spiritual. 6. Dd Ihsana Latif dan Rizky Indriani yang selalu mendampingi dan membantu dari kegiatan kerja praktik di BMKG Cilacap sampai proses pembelajaran peramalan. 7. Rekan-rekan mahasiswa Matematika Unsoed angkatan 2017 serta semua pihak yang tidak dapat disebutkan satu persatu yang telah membantu dalam penulisan laporan kerja praktik ini.



v



Penulis menyadari bahwa Laporan Kerja Praktik ini masih jauh dari kata sempurna. Oleh karena itu, penulis mengharap kritik dan saran yang membangun dari semua pihak demi kesempurnaan Laporan Kerja Praktik ini. Semoga Laporan Kerja Praktik ini bermanfaat bagi semua pihak.



Purwokerto, Desember 2019



Amelia Dhaniswara NIM. K1B017016



vi



DAFTAR ISI



HALAMAN JUDUL................................................................................................ i HALAMAN PERNYATAAN ................................................................................ ii HALAMAN PENGESAHAN ................................................................................ iii PEDOMAN PENGGUNAAN LAPORAN KERJA PRAKTIK............................ iv KATA PENGANTAR ............................................................................................ v DAFTAR ISI ......................................................................................................... vii DAFTAR NOTASI ................................................................................................ ix DAFTAR SINGKATAN ........................................................................................ x DAFTAR TABEL .................................................................................................. xi DAFTAR GAMBAR ............................................................................................ xii DAFTAR LAMPIRAN ........................................................................................ xiii RINGKASAN ...................................................................................................... xiv SUMMARY ............................................................................................................ xv BAB I PENDAHULUAN ....................................................................................... 1 1.1 Latar Belakang ............................................................................................ 1 1.2 Rumusan Masalah ....................................................................................... 2 1.3 Batasan Masalah .......................................................................................... 2 1.4 Tujuan Kerja Praktik ................................................................................... 2 1.5 Manfaat Kerja Praktik ................................................................................. 3 1.5.1 Bagi Perguruan tinggi .................................................................................3 1.5.2 Bagi Mahasiswa ..........................................................................................3 1.6 Tempat Kerja Praktik .................................................................................. 3 1.7 Waktu Pelaksanaan Kerja Praktik ............................................................... 3 BAB II TINJAUAN PUSTAKA ............................................................................. 4 2.1 Curah Hujan................................................................................................... 4 2.1.1 Pengamatan Curah Hujan ...........................................................................6 2.1.2 Intensitas Hujan ...........................................................................................7 2.1.3 Faktor terjadinya hujan ...............................................................................7 2.2 Peramalan ...................................................................................................... 9



vii



2.3 Deret Waktu dalam Peramalan .................................................................... 12 2.4 Metode ANFIS ........................................................................................... 12 2.4.1 Jaringan Syaraf Tiruan (Neural Network) ..............................................12 2.4.2 FUZZY .......................................................................................................13 2.4.3 ANFIS .........................................................................................................15 2.5 Ketepatan Peramalan ................................................................................... 20 2.5.1 Mean Absolute Deviation (MAD) ..............................................................20 2.5.2 Mean Absolute Percentage Error (MAPE) ..............................................21 2.5.3 Mean Square Error (MSE) .........................................................................21 BAB III PROFIL TEMPAT KERJA PRAKTIK .................................................. 23 3.1 Profil Tempat Kerja Pratik ........................................................................ 23 3.2 Sejarah BMKG .......................................................................................... 23 3.3 Logo BMKG ............................................................................................. 25 3.4 Visi dan Misi BMKG ................................................................................ 27 3.5 Tugas dan Fungsi BMKG ......................................................................... 29 3.6 Struktur Organisasi BMKG ....................................................................... 31 BAB IV PELAKSANAAN DAN PEMBAHASAN............................................. 33 4.1 Pelaksanaan Kerja Praktik............................................................................33 4.2 Metode Kerja Praktik...................................................................................33 4.3 Hasil dan Pembahasan ................................................................................. 33 BAB V PENUTUP ................................................................................................ 41 5.1 Kesimpulan .................................................................................................. 41 5.2 Saran ............................................................................................................ 41 DAFTAR PUSTAKA ........................................................................................... 42 LAMPIRAN .......................................................................................................... 44 DAFTAR RIWAYAT HIDUP .............................................................................. 49



viii



DAFTAR NOTASI



𝑌𝑡



: Nilai aktual pada periode t



𝑌̂𝑡



: Nilai peramalan untuk periode t



𝑛



: Banyaknya data



𝑁(𝐿) : Banyaknya simpul pada lapisan ke-L 𝐿



: Lapisan



𝑌



: Target output



𝑌𝑝



: Output ANFIS



mc



: Momentum



Epoh : Maksimum iterasi Eps



: Toleransi error/kriteria penghentian



m



: Pangkat



𝜇𝐴(𝑥) : Derajat keanggotaan x dalam himpunan fuzzy A



ix



DAFTAR SINGKATAN



Pemakaian pertama kali pada halaman



Singkatan



Kepanjangan



BMKG



Badan Meteorologi, Klimatologi, dan Geofisika



JST



Jaringan Syaraf Tiruan Artificial Neural Network



12



ANFIS



Adaptive Neuro Fuzzy Inference System



12



MAD



Mean Absolute Deviation



20



MAPE



Mean Absolute Percentage Error



21



MSE



Mean Squared Error



22



ANN



x



1



12



DAFTAR TABEL Halaman Tabel 2.1 Klasifikasi Nilai MAPE..........................................................



21



Tabel 4.1 Data Curah Hujan Tahun 2003 sampai dengan Tahun 2018........................................................................................



35



Tabel 4.2 Data Curah Hujan yang telah dinormalisasi..........................



36



Tabel 4.3 Pola Data Latih.......................................................................



37



Tabel 4.4 Pola Data Uji..........................................................................



39



Tabel 4.5 Hasil Prediksi Curah Hujan....................................................



40



xi



DAFTAR GAMBAR Halaman Gambar 2.1 Struktur ANFIS....................................................................



16



Gambar 2.2 Blok Diagram Alur Maju ANFIS........................................



18



Gambar 2.3 Blok Diagram Alur Mundur ANFIS..................................



19



Gambar 3.1 Logo BMKG.......................................................................



25



Gambar 3.2 Struktur Organisasi BMKG................................................



31



Gambar 3.3 Struktur Organisasi BMKG Cilacap...................................



32



Gambar 4.1 Grafik Hasil Pelatihan..........................................................



38



Gambar 4.2 Grafik Hasil Pengujian.........................................................



39



xii



DAFTAR LAMPIRAN Halaman Lampiran 1. Perintah untuk Normalisasi Data............................................ 44 Lampiran 2. Perintah untuk Menyiapkan Data Latih dan Target Latih..................................................................................... 45 Lampiran 3. Perintah untuk Menampilkan Hasil Pelatihan dalam Grafik................................................................................... 46 Lampiran 4. Perintah untuk Menyiapkan Data Uji dan Target Uji........... 47 Lampiran 5. Perintah untuk Menampilkan Hasil Pengujian dalam Grafik................................................................................... 48



xiii



RINGKASAN



Laporan kerja praktik ini membahas mengenai prediksi curah hujan untuk bulan Januari 2019 sampai dengan Desember 2020. Metode peramalan yang digunakan mengacu pada pola sistem kecerdasan buatan, yaitu ANFIS. Hasil laporan menunjukkan bahwa peramalan untuk dua tahun kedepan akurat dengan kesalahan ukuran MAPE sebesar 0,2790%. Data hasil laporan menunjukkan bahwa prediksi curah hujan pada bulan Januari 2019 sampai dengan bulan Desember tahun 2020 mengalami fluktuasi untuk tiap tahunnya maupun tiap bulannya. Kata kunci : Curah hujan, Peramalan, Metode ANFIS.



xiv



SUMMARY



This report discusses the forecast of rainfall for January 2019 to December 2020. Forecasting methods used regarding the pattern of artificial intelligence systems, namely ANFIS. The report showed that forecasting for the coming year is accurate with a MAPE error size of 0.2790%. Report data estimates that rainfall in January 2019 to December 2020 is fluctiation for each quarter every month. Keywords: Rainfall, Forecasting, ANFIS method



xv



BAB I PENDAHULUAN 1.1 Latar Belakang Peramalan adalah dasar dari segala jenis perencanaan dimana hal ini sangat diperlukan untuk lingkungan yang tidak stabil yaitu menjembatani antara sistem dengan lingkungan. Tujuan peramalan menurut Wignjosoebroto (2003:337) adalah untuk memperoleh gambaran mengenai apa yang akan terjadi di masa mendatang. Gambaran mengenai masa depan tersebut akan menjadi dasar di dalam membuat perencanaan. Peramalan yang akurat sangat dibutuhkan dalam pembuatan perencanaan. Akurasi dari suatu hasil peramalan diukur dengan mengukur besarnya error (selisih nilai aktual dengan hasil peramalan). Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) merupakan lembaga yang bertugas melaksanakan tugas pemerintahan di bidang Meteorologi, Klimatologi, Kualitas Udara dan Geofisika sesuai dengan ketentuan perundang-undangan yang berlaku. BMKG memiliki banyak fungsi, salah satunya adalah menyampaikan informasi dan peringatan dini kepada instansi dan pihak terkait serta masyarakat berkenaan dengan bencana karena faktor meteorologi, klimatologi, dan geofisika. Dalam upaya mencegah terjadinya tanah longsor, banjir bandang, genangan, angin kencang, pohon tumbang, dan jalan licin akibat curah hujan yang tinggi diperlukan adanya peramalan intensitas curah hujan sehingga dapat meminimalisir terjadinya kerusakan alam. Selanjutnya, penulis melakukan peramalan intensitas curah hujan untuk dua tahun yang akan datang.



1



2



Metode ANFIS (Adaptive Neuro Fuzzy Inference System) merupakan metode yang tersusun dari kombinasi ANN (Artificial Neural Network) dan logika fuzzy sehingga memiliki kemampuan untuk mengorganisasikan strukturnya sendiri dan untuk mengadaptasikan parameter sistem fuzzy. ANFIS mempunyai kemampuan untuk menangani sistem yang kompleks, nonlinier dan berubah terhadap waktu melalui algoritma belajar terhadap data numerik dari sistem. Dalam perkembangannya, ANFIS juga dapat digunakan untuk melakukan proses peramalan data time series.



1.2 Rumusan Masalah Berdasarkan uraian pada latar belakang, maka permasalahan yang dapat dirumuskan dalam penulisan ini adalah bagaimana penerapan metode ANFIS untuk menentukan model terbaik dari peramalan intensitas curah hujan untuk dua tahun berikutnya ? 1.3 Batasan Masalah Batasan masalah yang digunakan dalam laporan kerja praktik ini, antara lain : 1. Data yang digunakan adalah data curah hujan BMKG Cilacap dari tahun 2003 sampai dengan tahun 2018. 2. Model ANFIS yang digunakan adalah model fuzzy Sugeno orde satu. 3. Pengolahan dan analisis data menggunakan program MATLAB 2014 untuk melakukan peramalan. 1.4 Tujuan Kerja Praktik Untuk mengetahui penerapan metode ANFIS dalam meramalkan intensitas curah hujan dua tahun kedepan.



3



1.5 Manfaat Kerja Praktik 1.5.1 Bagi Perguruan tinggi Terbinanya hubungan baik antara Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Jenderal Soedirman dengan Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) Cilacap. 1.5.2 Bagi Mahasiswa 1. Meningkatkan wawasan mahasiswa tentang dunia kerja khususnya di Badan Meteorologi, Klimatologi, dan Geofisika (BMKG). 2. Mengetahui dan mempelajari tentang metode ANFIS dan program MATLAB 2014. 3. Sebagai pertimbangan dalam meramalkan intensitas curah hujan sehingga pihak-pihak terkait dapat membuat perencanaan untuk mengantisipasi terjadinya dampak buruk dari curah hujan yang tinggi. 1.6 Tempat Kerja Praktik Tempat kerja praktik dilaksanakan di Stasiun Meteorologi Tunggul Wulung Cilacap yang beralamat di Jalan Gatot Soebroto No. 20 Cilacap 53223. 1.7 Waktu Pelaksanaan Kerja Praktik Kerja Praktik dilaksanakan selama 30 hari, yaitu tanggal 22 Juli sampai 22 Agustus 2019. Pelaksanaan kerja pratik dilaksanakan 5 hari kerja yaitu dari hari Senin-Jum’at mulai pukul 08.00 s/d 14.00 WIB, dengan waktu istirahat antara pukul 12.00 sampai dengan 13.00 WIB.



BAB II TINJAUAN PUSTAKA 2.1 Curah Hujan Curah hujan adalah jatuhan butir-butir atau tetesan hujan yang mencapai permukaan bumi. Jumlah curah hujan adalah curah hujan yang mencapai permukaan selama jangka waktu yang ditentukan dan dinyatakan dalam ukuran kedalamannya, dengan ketentuan bahwa tidak ada air yang hilang karena penguapan air atau mengalir. Curah hujan diukur menggunakan alat berupa silinder dengan bagian atas terbuka (untuk menerima butiran air hujan yang jatuh). Alat ini di pasang di tempat terbuka, sehingga air hujan akan diterima langsung oleh alat ini. Bagian atas yang terbuka dipasang pada ketinggian 20cm di atas permukaan tanah yang ditanami rumput untuk menghindari masuknya air percikan dari permukaan tanah (Lakitan, 1985). Curah hujan dapat diukur dengan alat pengukur curah hujan otomatis atau yang manual. Alat-alat pengukur tersebut harus di letakkan pada daerah yang masih alamiah, sehingga curah hujan yang terukur dapat mewakili wilayah yang luas. Salah satu pengukur hujan manual yang paling banyak dipakai adalah tipe manual (manual raingauge) atau sering disebut ombrometer. Curah hujan dari pengukuran alat ini dihitung dari volume air hujan dibagi dengan luas mulut penakar. Alat tipe manual ini merupakan alat baku dengan mulut penakar seluas 100 cm2 dan di pasang dengan ketinggian mulut penakar 1,2 meter dari permukaan tanah (Sutedjo.dkk, 2005). Alat pengukur hujan otomatis biasanya memakai prinsip pelampung, timbangan dan jungkitan. Keuntungan menggunakan alat ukur otomatis ini antara lain seperti, waktu terjadinya hujan dapat diketahui, intensitas setiap terjadinya hujan dapat dihitung (Handoko, 1994).



4



5



Tinggi curah hujan diasumsikan sama disekitar tempat penakaran, luasan yang tercakup oleh sebuah penakaran hujan bergantung pada homogenitas daerahnya maupun kondisi cuaca lainnya. Ketepatan asumsi ini tergantung dari kecepatan angin, keterbukaan lapangan, luas alat penampung serta tinggi alat dari permukaan tanah (Tjasyono, 2004). Presipitasi dapat diklasifikasikan berdasarkan bentuk atau unsur-unsur presipitasinya, yaitu : 1. Hujan Hujan adalah butiran-butiran air yang jatuh ke bumi dalam bentuk cair. Butir-butir hujan mempunyai garis tengah 0,08 - 6 mm. Macammacam hujan yaitu hujan halus, hujan rintik-rintik dan hujan lebat. Perbedaan terutama pada besarnya butir-butir. Hujan lebat biasanya turun sebentar saja dari awan Cumulonimbus. Hujan ini dapat amat kuat dengan intensitas yang amat besar. 2. Salju Salju terjadi karena sublimasi uap air pada suhu dibawah titik beku. Bentuk dasar dari salju adalah hexagonal akan tetapi hal ini tergantung dari suhu dan cepatnya sublimasi. 3. Hujan Es Hujan es jatuh pada waktu hujan guntur dari awan Cumulonimbus. Curah hujan diukur dalam harian, bulanan,dan tahunan. Curah hujan yang jatuh di wilayah Indonesia dipengaruhi oleh beberapa faktor antara lain: 1. Bentuk medan atau topografi, 2. Arah lereng medan, 3. Arah angin yang sejajar dengan garis pantai, dan 4. Jarak perjalanan angin diatas medan datar.



6



Berdasarkan butiran-butiran yang dicurahkan, hujan dapat dibedakan menjadi empat macam,yaitu: 1. Hujan gerimis (drizzle) yaitu hujan yang mempunyai diameter butiranbutiran kurang dari 0,5 mm. 2. Hujan salju (snow) yaitu hujan yang terdiri dari kristal-kristal es yang temperaturnya berada dibawah titik beku. 3. Hujan batu es yaitu hujan yang berbentuk curahan es yang turun di dalam cuaca panas dari awan yang temperaturnya di bawah titik beku. 4. Hujan deras (rain) yaitu curahan air yang turun dari awan yang temperaturnya di atas titik beku dan butirannya sebesar 7 mm.



2.1.1



Pengamatan Curah Hujan Hujan dapat dibedakan atas beberapa jenis antara lain : 1. Hujan tiba-tiba (shower) Shower jatuh dari awan konvektif (Cu,Cb) saat mulai dan berakhirnya dan berlangsung dengan tiba-tiba. Intensitasnya berubah dengan cepat, biasanya berlangsung dengan waktu yang pendek. Awan konvektif yang menimbulkan Shower mungkin tampak tumbuh sebelum Shower mulai, atau awan tersebut bergerak mendekati stasiun. 2. Hujan sebentar-sebentar (intermitten rain) Hujan ini jatuh dari awan yang berlapis, yang umumnya menutup atau hampir menutup seluruh langit. Keadaan awan masih menutup atau hampir menutup langit, meskipun hujan telah berhenti. Dasar awan seringkali tampak menerang atau meninggi, tetapi tanpa adanya lapisan awan yang terputus dengan jelas. Hujan ini berlangsung sebentar putus, sebentar berhenti. 3. Hujan terus menerus (contiuous rain) Hujan ini jatuh dari awan berlapis yang biasanya padat dan menutup seluruh langit. Dilaporkan sebagai hujan terus menerus jika selama sejam yang lalu berlangsung terus menerus tanpa terputus.



7



2.1.2



Intensitas Hujan Intensitas hujan dalam keperluan pengamatan dibedakan dalam tiga tingkatan, yaitu : 1. Hujan ringan Hujan dinyatakan ringan jika : a. Intensitas hujan rendah, b. Laju pengumpulan curah hujan di dalam alat penakar hujan berlangsung lambat (tidak lebih dari 0,5 mm tiap jam), c. Tetes-tetes hujan yang besar jarang atau sebagian besar terdiri dari tetes-tetes hujan kecil. 2. Hujan sedang Hujan dinyatakan sedang jika : a. Hujan jatuh cukup cepat membentuk genangan diatas lekukan tanah, b. Laju pengumpulan curah hujan di dalam alat penakar berlangsung antara 0,5 sampai dengan 4 mm tiap jam. 3. Hujan lebat Hujan dinyatakan lebat jika : a. Curah hujan menimbulkan suara gemuruh diatas atap dan memercik jika jatuh di atas jalan atau permukaan benda yang keras, b. Laju pengumpulan curah hujan di dalam alat penakar hujan lebih dari 4 mm tiap jam, c. Terdiri dari hujan deras dari badai guntur maupun hujan deras yang terjadi tanpa guntur.



2.1.3



Faktor terjadinya hujan Faktor-faktor yang mempengaruhi terjadinya hujan antara lain : 1. Awan Awan adalah kumpulan titik-titik air yang banyak jumlahnya dan terletak pada titik kondensasi yang melayang tinggi di udara, serta terlihat seperti asap bewarna putih atau kelabu di langit. Jenis



8



awan bedasarkan tingkat ketinggian yaitu awan rendah, awan menengah, dan awan tinggi. Dalam dunia penerbangan, awan yang sangat berpengaruh adalah awan rendah Cumulonimbus (Cb). Awan ini sangat dihindari dalam penerbangan karena dapat mengakibatkan updraft (arus naik), downdraft (arus turun), dan windshear (perubahan kecepatan secara tiba-tiba), yang apabila pesawat berada di dalam atau bawah awan ini pada saat lepas landas, sebelum mendarat, maupun pada saat terbang akan mengakibatkan ketidakstabilan posisi pesawat yang dapat berakibat fatal (Lakitan, 1985). Awan Cb juga berpotensi menimbulkan cuaca buruk seperti kilat, badai guruh, puting beliung dan hujan deras, hujan es dan angin ribut. 2. Angin Angin adalah udara yang bergerak akibat adanya perbedaan tekanan dengan arah aliran angin dari tempat yang memiliki tekanan tinggi ke tempat yang memiliki tekanan rendah. Perubahan arah dan kecepatan angin yang signifikan dilaporkan seketika itu juga untuk keselamatan penerbangan saat lepas landas maupun mendarat. 3. Asap Asap (smoke) merupakan salah satu alasan mengapa pesawat ditunda



pendaratannya.



Ini



dikarenakan,



jarak



penglihatan



(visibility) sangat minimum ketika asap kabut tebal yang mengakibatkan landasan pacu (runway) tidak tampak sama sekali. Bahaya yang ditimbulkan akibat jarak pandang yang berkurang karena terselimuti oleh asap dan kabut tebal dalam istilah penerbangan disebut disorientasi ruang yang disertai dengan gejala vertigo dan motion sickness (Handoko, 1994).



9



4. Kabut dan mist Kabut adalah tetes-tetes air sangat kecil yang melayang di udara



mencapai



permukaan



tanah



dan



mengakibatkan



berkurangnya penglihatan mengdatar pada permukaan bumi. Tetestetes kecil ini dapat dilihat dengan mata biasa, jika berada pada suatu tempat yang cukup terang. Mereka bergerak mengikuti gerakan udara yang ada, udara dalam keadaan kabut akan terasa lembab sejuk atau basah. Udara dinyatakan berkabut jika penglihatan mendatar di dalam kabut kurang dari 1 km dan lembab nisbi (RH) antara 98% - 100%. Mist adalah tetes-tetes air mikroskopi (hanya dapat dilihat dengan mikroskop) atau partikel-partikel basah yang melayang di udara mencapai permukaan tanah, dapat mengurangi penglihatan mendatar pada permukaan bumi. Umumnyan di dalam mist tidak terasa lembab. Mist dinyatakan terjadi jika penglihatan mendatar di dalam mist sama atau lebih dari 1 km dan kelembaban (RH) antara 95% - 97% (Handoko, 1994). 2.2 Peramalan Peramalan berasal dari kata ramalan yang berarti suatu kondisi yang diperkirakan akan terjadi pada masa yang akan datang. Sedangkan peramalan adalah bentuk kegiatannya. Peramalan (forecasting) merupakan penggunaan data untuk menguraikan kejadian yang akan datang dalam menentukan sasaran yang dikehendaki, sedangkan prediksi (prediction) adalah estimasi sasaran yang akan datang dengan tingkat kemungkinan terjadi besar serta dapat diterima (Tampubolon, 2014:41).



10



Jenis peramalan dilihat dari sifat penyusunannya dibedakan menjadi dua macam (Nasution, 2003:32-33) yaitu : a. Metode Peramalan Subjektif (Model Kualitatif) Metode kualitatif berupaya memasukkan faktor-faktor subjektif dalam model peramalan. Model ini akan sangat bermanfaat jika data kuantitatif yang akurat sangat sulit diperoleh. b. Metode Peramalan Objektif (Model Kuantitatif) Metode ini mempunyai dua model yaitu model kausal dan model time series. Model kausal memasukkan dan menguji variabel-variabel yang diduga akan mempengaruhi variabel dependen, model ini biasanya menggunakan analisis regresi untuk menentukan mana variabel yang signifikan mempengaruhi variabel dependen. Selain menggunakan analisis regresi, model kausal juga dapat menggunakan metode ARIMA untuk mencari model terbaik yang dapat digunakan dalam peramalan. Sedangkan model time series merupakan model yang digunakan untuk memprediksi masa depan dengan menggunakan data historis. Dengan kata lain, model time series mencoba melihat apa yang terjadi pada suatu kurun waktu tertentu dan menggunakan data masa lalu untuk memprediksi. Heizer dan Render (2015:117-118) menyatakan klasifikasi peramalan berdasarkan dua pendekatan umum, yaitu : 1. Peramalan Kualitatif, yaitu peramalan yang didasarkan atas data kualitatif pada masa lalu. Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi, pendapat dan pengetahuan dari orang yang menyusunnya. Biasanya peramalan secara kualitatif ini didasarkan atas hasil penyelidikan. 2. Peramalan Kuantitatif, yaitu peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung pada metode yang digunakan dalam peramalan tersebut. Dengan metode yang berbeda akan diperoleh hasil peramalan yang berbeda. Baik tidaknya metode yang digunakan



11



ditentukan oleh perbedaan atau penyimpangan antara hasil peramalan dengan kenyataan yang terjadi. Peramalan kuantitatif dapat digunakan bila terdapat tiga kondisi sebagai berikut : a. Adanya informasi tentang masa lalu b. Informasi tersebut dapat dikuantitatifkan dalam bentuk data c. Informasi tersebut dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang akan datang. Peramalan horizon waktu menurut Heizer dan Render (2015:114) diklasifikasikan dengan horizon waktu pada masa mendatang yang melingkupinya. Dilihat dari horizon waktu, peramalan diklasifikasikan kedalam tiga kategori yaitu : 1. Peramalan jangka pendek Peramalan ini memiliki rentang waktu sampai dengan satu tahun, tetapi umumnya kurang dari tiga bulan. 2. Peramalan jangka menengah Kisaran menengah, atau immediate, peramalan umumnya mencakup rentang waktu dari tiga bulan hingga tiga tahun. 3. Peramalan jangka panjang Umumnya tiga tahun atau lebih dalam rentang waktunya. Sebagaimana yang mungkin diperkirakan, peramalan jangka pendek cenderung lebih akurat dibandingkan peramalan jangka panjang. Faktor-faktor yang mempengaruhi intensitas curah hujan berubah setiap hari. Dengan demikian, sejalan dengan semakin panjangnya horizon waktu, ketepatan peramalan seseorang cenderung semakin berkurang. Peramalan curah hujan harus diperbaharui secara berkala untuk menjaga keakuratannya.



12



2.3 Deret Waktu dalam Peramalan Deret waktu (time series) merupakan serangkaian data pengamatan yang terjadi berdasarkan indeks waktu secara berurutan dengan interval waktu tetap. Metode ini digunakan jika tujuannya mencoba memprediksi masa depan menggunakan data di masa lalu (Jacob dan Chase, 2014:256). Secara sistematis suatu data berkala diberi simbol X1, X2, ... ,Xb, ... ,Xn. Nilai variabel X1 adalah data pada waktu pertama, X2 adalah data pada waktu kedua, Xb adalah data pada waktu ke-b, dan Xn adalah data pada waktu ke-n. 2.4 Metode ANFIS 2.4.1



Jaringan Syaraf Tiruan (Neural Network) Menurut Sinaga (2012:2) Jaringan Syaraf Tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran otak manusia tersebut. Jaringan syaraf tiruan (JST) atau yang biasa disebut Artificial Neural Network (ANN) atau Neural Network (NN) saja, merupakan sistem pemrosesan informasi yang memiliki karakteristik mirip dengan jaringan syaraf pada makhluk hidup. Neural network berupa suatu model sederhana dari suatu syaraf nyata dalam otak manusia seperti suatu unit threshold yang biner. Jaringan Syaraf Tiruan tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia (human cognition) yang didasarkan atas asumsi sebagai berikut : 1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron. 2. Isyarat mengalir di antara sel syaraf atau neuron melalui penghubung. 3. Setiap sambungan penghubung memiliki bobot yang bersesuaian. 4. Setiap sel syaraf merupakan fungsi aktivasi terhadap isyarat hasil penjumlahan berbobot yang masuk kepadanya untuk menentukan isyarat keluarannya.



13



2.4.2



FUZZY 1. Logika Fuzzy Logika fuzzy merupakan peningkatan dari logika boolean yang berhadapan dengan konsep kebenaran sebagian. Logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak), logika fuzzy



menggantikan



kebenaran



boolean



dengan



tingkat



kebenaran. Logika fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti "sedikit", "lumayan", dan "sangat". 2. Himpunan Crisp Himpunan



crisp



merupakan



himpunan



yang



definisi



keanggotaannya jelas, artinya suatu objek atau elemen merupakan anggota himpunan yang dimaksud atau bukan. Pada himpunan crisp, nilai keanggotaan suatu elemen x dalam suatu himpunan A, yang sering ditulis dengan μA(x), memiliki 2 kemungkinan, yaitu: 1. Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan. 2. Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan (Kusumadewi, 2002). 3. Himpunan Fuzzy Jika X adalah suatu kumpulan objek-objek dan x adalah elemen dari X, maka himpunan fuzzy A memiliki domain X didefinisikan sebagai: A={(x, μA(x))|x∈X}



(2.1)



dengan μA(x) berada pada rentang 0 hingga 1 (Jang.dkk, 1989). Derajat keanggotaan x dalam himpunan fuzzy A, μA(x) menyatakan derajat sebuah kejadian x boleh menjadi anggota A, atau kepunyaaan A, apabila mencapai harga 1 (mendekati 1), maka derajat keanggotaan dalam A menjadi lebih.



14



4. Fungsi Keanggotaan Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (derajat keanggotaan) yang memiliki interval antara 0 sampai 1 (Kusumadewi, 2002). Fungsi-fungsi keanggotaan fuzzy yang umum digunakan antara lain fungsi keanggotaan segitiga, fungsi keanggotaan trapesium, fungsi keanggotaan gaussian, fungsi keanggotaan generalized bell, dan fungsi keanggotaan sigmoid. Pada laporan ini yang digunakan adalah fungsi keanggotaan generalized bell. Fungsi keanggotaan generalized bell didefinisikan sebagai berikut: 𝜇(𝑥) =



1



(2.2)



𝑥−𝑐 2𝑏 1+| | 𝑎



dengan {a,b,c} adalah parameter-parameter premis, biasanya b=1. (Kusumadewi, 2002). Fungsi generalized bell pertama-tama akan dipakai sebagai fungsi keanggotaan dari masukan, dan parameter premis a,b,c akan diubah dengan cara pembelajaran. 5. Fuzzifikasi Fuzzifikasi yaitu suatu proses untuk mengubah suatu masukan dari bentuk crisp menjadi fuzzy yang biasanya disajikan dalam bentuk



himpunan-himpunan



fuzzy



dengan



suatu



fungsi



kenggotaannya masing-masing (Kusumadewi, 2002). 6. Defuzzifikasi Defuzzifikasi dapat didefinisikan sebagai proses pengubahan besaran fuzzy yang disajikan dalam bentuk himpunan-himpunan fuzzy



keluaran



dengan



fungsi



keanggotaannya



untuk



mendapatkan kembali bentuk crisp. Hal ini diperlukan sebab dalam aplikasi nyata yang dibutuhkan adalah nilai crisp (Kusumadewi, 2002).



15



2.4.3 ANFIS Adaptive Neuro-Fuzzy Inference System (ANFIS) adalah penggabungan



mekanisme



sistem



inferensi



fuzzy



yang



digambarkan dalam arsitektur jaringan syaraf (Fariza.dkk, 2007). ANFIS dapat membangun suatu mapping input-output dengan menggunakan suatu prosedur pembelajaran hibrida, yang keduanya berdasarkan pada pengetahuan manusia (pada bentuk aturan fuzzy if-then) dengan fungsi keanggotaan yang tepat. Pernyataan aturan fuzzy if-then atau fuzzy conditional adalah ungkapan dengan format IF A THEN B, dimana A dan B adalah label dari himpunan fuzzy yang ditandai oleh fungsi keanggotaan yang sesuai. Dalam kaitan dengan formatnya, aturan fuzzy if-then sering digunakan untuk menangkap “mode” yang tidak tepat dalam memberi alasan yang digunakan dalam kemampuan manusia untuk membuat keputusan dalam suatu lingkungan yang tidak pasti dan tidak tepat. Melalui penggunaan fungsi keanggotaan dan label bahasa, suatu aturan fuzzy if-then dapat dengan mudah menangkap “peraturan utama” yang digunakan oleh manusia. Sistem inferensi fuzzy yang digunakan memiliki dua input yaitu x dan y dan satu output f. Untuk model fuzzy Sugeno orde satu, aturan yang umum dengan dua aturan fuzzy if-then, adalah sebagai berikut: Rule 1 : if x is A1 and y is B1, then f1 = p1x + q1y + r1;



(2.3)



Rule 2 : if x is A2 and y is B2, then f2 = p2x + q2y + r2;



(2.4)



ANFIS terdiri atas 5 lapisan dan setiap lapis terdapat simpul. Terdapat dua macam simpul yaitu simpul adaptif (bersimbol kotak) artinya parameter bisa berubah dengan proses pembelajaran dan simpul tetap (bersimbol lingkaran).



16



Gambar 2.1 Struktur ANFIS Lapisan 1. Semua simpul pada lapisan ini adalah simpul adaptif (parameter dapat berubah) dengan fungsi simpul : 𝑂1,𝑖 = 𝜇𝐴𝑖 (𝑥) 𝑂1,𝑖 = 𝜇𝐵𝑖 (𝑦) untuk i=1,2



(2.5) (2.6)



dengan: x, y adalah masukan pada simpul i, serta μAi, μBi adalah fungsi keanggotaan masing-masing simpul. Simpul berfungsi untuk menyatakan derajat keanggotaan tiap masukan terhadap himpunan fuzzy A dan B. Lapisan 2. Semua



simpul



pada



lapisan ini adalah nonadaptif



(parameter tetap). Fungsi simpul ini adalah mengalikan setiap sinyal masukan yang datang. Fungsi simpul : 𝑂2,𝑖 = 𝑤𝑖 = 𝜇𝐴𝑖 (𝑥)𝜇𝐵𝑖 (𝑦) untuk i=1,2



(2.7)



Tiap keluaran simpul menyatakan derajat pengaktifan (firing strength) tiap aturan fuzzy. Fungsi ini dapat diperluas apabila bagian premis memiliki lebih dari dua himpunan fuzzy. Banyaknya simpul pada lapisan ini menunjukkan banyaknya aturan yang dibentuk. Fungsi perkalian yang digunakan adalah interpretasi kata hubung and dengan menggunakan operator tnorm.



17



Lapisan 3. Setiap simpul pada lapisan ini adalah simpul nonadaptif. Pada



lapisan ini



digunakan fungsi



derajat



pengaktifan



ternormalisasi (normalized firing strength) yaitu rasio keluaran simpul ke-i pada lapisan sebelumnya terhadap seluruh keluaran lapisan sebelumnya, dengan bentuk fungsi simpul: 𝑂3,𝑖 =𝑤 ̅𝑖= 𝑤



𝑤𝑖



1 +𝑤2



untuk i=1,2



(2.8)



Apabila dibentuk lebih dari dua aturan, fungsi dapat diperluas dengan membagi wi dengan jumlah total w untuk semua aturan. Lapisan 4. Setiap simpul pada lapisan ini adalah simpul adaptif dengan fungsi simpul : 𝑂4,𝑖 =𝑤 ̅ 𝑖 𝑓𝑖 =𝑤 ̅ 𝑖 (𝑝𝑖 𝑥 + 𝑞𝑖 𝑦 + 𝑟𝑖 )



(2.9)



dengan 𝑤 ̅ 𝑖 adalah derajat pengaktifan ternormalisasi dari lapisan 3 dan parameter p, q, r menyatakan parameter konsekuen yang adaptif. Lapisan 5. Pada lapisan ini hanya ada satu simpul tetap yang fungsinya untuk menjumlahkan semua masukan. Fungsi simpul : 𝑂5,𝑖 = ∑𝑖𝑤 ̅ 𝑖 𝑓𝑖



(2.10)



Proses adaptasi yang terjadi dalam sistem ANFIS dikenal juga dengan pembelajaran. Parameter-parameter ANFIS (baik premis maupun konsekuen) selama proses belajar akan diperbaharui menggunakan metode pembelajaran. Metode pembelajaran yang digunakan dalam sistem ANFIS adalah algoritma pembelajaran hibrida. Algoritma ini terdiri dari dua bagian yaitu bagian arah maju dan bagian arah mundur. Pada bagian arah maju, proses adaptasi dilakukan menggunakan metode Least-squares Estimator (LSE) dan terjadi pada parameter konsekuen. Sedangkan pada bagian arah mundur, proses adaptasi dilakukan menggunakan error backpropagation (EBP) dan terjadi pada parameter premis (Dwiono, 2008).



18



Alur Maju



Gambar 2.2 Blok diagram alur maju ANFIS Pada blok diagram Gambar 2.2 digambarkan mengenai proses alur maju dari sebuah sistem ANFIS yang terdiri dari beberapa layer. Pada layer 1 data input pada masing-masing periode akan dilakukan proses fuzzifikasi. Dalam proses ini akan dilakukan perhitungan fungsi keanggotaan fuzzy untuk mentransformasi masukan himpunan crisp ke derajat tertentu. Fungsi keanggotaan yang digunakan adalah jenis generalized bell dimana pada fungsi keanggotaan ini terdapat dua parameter yaitu mean dan variansi. Parameter tersebut dalam metode ANFIS disebut sebagai parameter premis. Pada layer 2 dan 3 dilakukan proses inference engine (sistem inferensi fuzzy). Ditentukan rule fuzzy untuk melakukan proses perhitungan selanjutnya. Pada layer 4 dilakukan proses defuzzifikasi, perhitungan mentransformasi hasil fuzzy ke bentuk keluaran yang crisp. Pada layer ini dilakukan perhitungan LSE untuk mendapatkan nilai parameter konsekuen. Pada layer 5 dilakukan proses summary dari dua output pada layer 4. Pada ANFIS, sistem fuzzy terletak pada layer 1,2,3 dan 4 dimana sistem fuzzy ini adalah sebagai penentu hidden node yang terdapat pada sistem jaringan syaraf.



19



Alur Mundur



Gambar 2.3 Blok Diagram Alur Mundur ANFIS Pada



proses



Backpkropagation)



ini



dilakukan



dimana



pada



algoritma setiap



EBP



layer



(Error



dilakukan



perhitungan error untuk melakukan update parameter-parameter ANFIS. Misalkan terdapat struktur ANFIS seperti pada Gambar 2.3 yang terdiri dari 5 lapisan, dan mempunyai sebanyak N(L) simpul pada lapisan ke-L, maka jumlah kuadrat error (SSE) pada lapisan ke-L data ke-p, adalah: 𝑁(𝐿)



𝐸𝑝 = ∑𝑝=1 (𝑌 − 𝑌𝑝 )2



(2.12)



dengan: Ep : SSE N(L) : Simpul L



: Lapisan



Y



: Target output



Yp : Output ANFIS Proses perhitungan di atas akan berulang terus menerus sampai nilai SSE kurang dari nilai error maksimum yang diinginkan oleh user.



20



2.5 Ketepatan Peramalan Menurut Najmudin (2012:43), titik perhatian utama peramalan adalah pada kesalahan-kesalahan yang terjadi secara inherent pada setiap teknik persamaan. Prediksi tentang hasil masa depan jarang sekali tepat. Oleh karena itu, seorang peramal biasanya hanya mampu untuk mengurangi atau memperkecil tingkat kesalahan tersebut. Pada model peramalan yang telah didapatkan hasil perhitungannya kemudian divalidasi dan dievaluasi dengan memakai beberapa ukuran variabel, ukuran yang biasa digunakan adalah sebagai berikut : 2.5.1 Mean Absolute Deviation (MAD) Suatu cara dalam menilai hasil (evaluasi) pada metode forecasting dengan memakai jumlah dari absolute error pada ramalannya. Mean Absolute Deviation (MAD) berfungsi untuk melakukan pengukuran kualitas akurasi hasil ramalan dengan menghitung rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil jika dibandingkan kenyataannya. MAD sangat tepat digunakan pada saat mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli. Semakin kecil nilai MAD yang didapat maka semakin baik nilai peramalan tersebut. Rumus untuk menghitung nilai MAD (Najmudin, 2012:44) adalah sebagai berikut : 1 𝑀𝐴𝐷 = 𝑛 ∑𝑛𝑡=1|𝑌𝑡 − 𝑌̂𝑡 |



dengan, 𝑌𝑡 : Nilai aktual pada periode t, 𝑌̂𝑡 : Nilai peramalan untuk periode t, dan 𝑛 : Banyaknya data.



(2.13)



21



𝟐.5.2 Mean Absolute Percentage Error (MAPE) Mean Absolute Percentage Error (MAPE) merupakan nilai ratarata persentase kesalahan atau error dari beberapa periode. Metode ini melakukan perhitungan perbedaan antara data asli dan data hasil peramalan. Perbedaan tersebut diabsolutkan, kemudian dihitung ke dalam persentase terhadap data asli. Hasil persentase tersebut kemudian didapatkan nilai mean-nya. Semakin kecil nilai MAPE, maka akan semakin tepat hasil peramalan yang diperoleh. Rumus untuk menghitung nilai MAPE (Najmudin, 2012:44) adalah sebagai berikut : 1



𝑀𝐴𝑃𝐸 = 𝑛 ∑𝑛𝑡=1



|𝑌𝑡 −𝑌̂𝑡 | 𝑌𝑡



(2.14)



dengan, 𝑌𝑡 : Nilai aktual pada periode t, 𝑌̂𝑡 : Nilai peramalan untuk periode t, dan 𝑛 : Banyaknya data. Menurut Goh dan Low (2002), peramalan model deret waktu dapat dievaluasi dengan klasifikasi nilai MAPE seperti pada Tabel 2.1 Tabel 2.1 Klasifikasi nilai MAPE Nilai MAPE (%)



Pengertian



0 < 𝑥 < 10



Sangat Akurat



10 ≤ 𝑥 < 20



Baik



20 ≤ 𝑥 < 50



Layak



𝑥 ≥ 50



Tidak Akurat



dengan x : Nilai MAPE. 2.5.3 Mean Square Error (MSE) Mean Square Error (MSE) merupakan salah satu ukuran ketepatan metode peramalan yang memberikan ketelitian lebih baik daripada MAD sehingga lebih banyak digunakan sebagai ukuran ketepatan suatu metode peramalan. Metode ini digunakan untuk



22



menghitung kesalaan atau error peramalan pada setiap periode dan kemudian membaginya dengan jumlah periode peramalan. Kesalahan atau error merupakan selisih antara data aktual dengan hasil peramalan. Estimator α yang meminimumkan nilai MSE yaitu mulai dari 0,01 sampai dengan 0,99. Rumus untuk menghitung nilai MSE (Najmudin, 2012:44) adalah sebagai berikut : 2 1 𝑀𝑆𝐸 = 𝑛 ∑𝑛𝑡=1(𝑌𝑡 − 𝑌̂𝑡 )



(2.15)



dengan, 𝑌𝑡 : Nilai aktual pada periode t, 𝑌̂𝑡 : Nilai peramalan untuk periode t, dan 𝑛 : Banyaknya data.



Dalam fase peramalan, penggunaan MSE dan MAD sebagai salah suatu ukuran ketepatan juga dapat menimbulkan masalah. Ukuran ini tidak memudahkan perbandingan antar deret berskala yang berbeda untuk selang waktu yang berlainan, karena MSE dan MAD merupakan ukuran absolut yang sangat bergantung pada skala dari deret waktu. Lagi pula interpretasi nilai MSE bersifat intuitif, karena ini menyangkut pengkuadratan sederetan nilai. Karena alasan tersebut, dalam hubungan keterbatasan MSE dan MAD sebagai ukuran keakuratan/ketepatan peramalan, maka dipakai ukuran alternatif sebagai salah satu indikasi ketepatan dalam peramalan yaitu MAPE (Makridakis, 1988:42).



BAB III PROFIL TEMPAT KERJA PRAKTIK



Pada bab ini akan dibahas mengenai profil tempat kerja praktik yaitu BMKG Cilacap, yang diambil dari situs resmi BMKG. 3.1 Profil Tempat Kerja Praktik Badan Meteorologi, Klimatologi, dan Geofisika Cilacap atau disingkat dengan BMKG Cilacap adalah sebuah Lembaga Pemerintah Non Departemen (LPND) yang dipimpin oleh seorang Kepala Badan yaitu Bapak Taruna Mona Rachman, SE, MM. dan berkedudukan di Jalan Gatot Soebroto No.20 Cilacap, Jawa Tengah. BMKG Cilacap telah berganti nama menjadi Sta.Met. Kelas III Tunggul Wulung - Cilacap atau Stasiun Meteorologi Kelas 3 Tunggul Wulung Cilacap. 3.2 Sejarah BMKG Sejarah pengamatan meteorologi dan geofisika di Indonesia dimulai pada tahun 1841 diawali dengan pengamatan yang dilakukan secara perorangan oleh Dr. Onnen, Kepala Rumah Sakit di Bogor. Tahun demi tahun kegiatannya berkembang sesuai dengan semakin diperlukannya data hasil pengamatan cuaca dan geofisika. Pada tahun 1866, kegiatan pengamatan perorangan tersebut oleh Pemerintah Hindia Belanda diresmikan menjadi instansi pemerintah dengan nama Magnetisch en Meteorologisch Observatorium atau Observatorium Magnetik dan Meteorologi dipimpin oleh Dr. Bergsma. Pada tahun 1879 dibangun jaringan penakar hujan sebanyak 74 stasiun pengamatan di Jawa. Pada tahun 1902 pengamatan medan magnet bumi dipindahkan dari Jakarta ke Bogor. Pengamatan gempa bumi dimulai pada tahun 1908 dengan pemasangan komponen horizontal seismograf Wiechert di



23



24



Jakarta, sedangkan pemasangan komponen vertikal dilaksanakan pada tahun 1928. Pada tahun 1912 dilakukan reorganisasi pengamatan meteorologi dengan menambah jaringan sekunder. Sedangkan jasa meteorologi mulai digunakan untuk penerangan pada tahun 1930. Pada masa pendudukan Jepang antara tahun 1942 sampai dengan 1945, nama instansi meteorologi dan geofisika diganti menjadi Kisho Kauso Kusho. Setelah proklamasi kemerdekaan Indonesia pada tahun 1945, instansi tersebut dipecah menjadi dua: Di Yogyakarta dibentuk Biro Meteorologi yang berada di lingkungan Markas Tertinggi Tentara Rakyat Indonesia khusus untuk melayani kepentingan Angkatan Udara. Di Jakarta dibentuk Jawatan Meteorologi dan Geofisika, dibawah Kementerian Pekerjaan Umum dan Tenaga. Pada tanggal 21 Juli 1947 Jawatan Meteorologi dan Geofisika diambil alih



oleh



Pemerintah



Belanda



dan



namanya



diganti



menjadi



Meteorologisch en Geofisiche Dienst. Sementara itu, ada juga Jawatan Meteorologi dan Geofisika yang dipertahankan oleh Pemerintah Republik Indonesia, kedudukan instansi tersebut di Jl. Gondangdia, Jakarta. Pada tahun 1949, setelah penyerahan kedaulatan negara Republik Indonesia dari Belanda, Meteorologisch en Geofisiche Dienst diubah menjadi Jawatan Meteorologi dan Geofisika dibawah Departemen Perhubungan dan Pekerjaan Umum. Selanjutnya, pada tahun 1950 Indonesia secara resmi masuk sebagai anggota Organisasi Meteorologi Dunia (World Meteorological Organization atau WMO) dan Kepala Jawatan Meteorologi dan Geofisika menjadi Permanent Representative of Indonesia with WMO. Pada tahun 1955 Jawatan Meteorologi dan Geofisika diubah namanya menjadi Lembaga Meteorologi dan Geofisika di bawah Departemen Perhubungan, dan pada tahun 1960 namanya dikembalikan menjadi Jawatan Meteorologi dan Geofisika di bawah Departemen Perhubungan Udara.



25



Pada tahun 1965, namanya diubah menjadi Direktorat Meteorologi dan Geofisika, kedudukannya tetap di bawah Departemen Perhubungan Udara. Pada tahun 1972, Direktorat Meteorologi dan Geofisika diganti namanya menjadi Pusat Meteorologi dan Geofisika, suatu instansi setingkat eselon II di bawah Departemen Perhubungan, dan pada tahun 1980 statusnya dinaikkan menjadi suatu instansi setingkat eselon I dengan nama Badan Meteorologi dan Geofisika, dengan kedudukan tetap berada di bawah Departemen Perhubungan. Pada tahun 2002, dengan keputusan Presiden RI Nomor 46 dan 48 tahun 2002, struktur organisasinya diubah menjadi Lembaga Pemerintah Non Departemen (LPND) dengan nama tetap Badan Meteorologi dan Geofisika. Terakhir, melalui Peraturan Presiden Nomor 61 Tahun 2008, Badan Meteorologi dan Geofisika berganti nama menjadi Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dengan status tetap sebagai Lembaga Pemerintah Non Departemen. Pada tanggal 1 Oktober 2009 UndangUndang Republik Indonesia Nomor 31 Tahun 2009 tentang Meteorologi, Klimatologi dan Geofisika disahkan oleh Presiden Republik Indonesia, Susilo Bambang Yudhoyono. 3.3 Logo BMKG



Gambar 3.1 Logo BMKG



26



1. Bentuk Logo Logo BMKG berbentuk lingkaran dengan warna dasar biru, putih dan hijau, di tengah-tengah warna putih terdapat satu garis berwarna abuabu dengan tulisan BMKG pada bagian bawah. 2. Makna Logo Makna dari logo BMKG menggambarkan bahwa BMKG berupaya semaksimal mungkin dapat menyediakan dan memberikan informasi Meteorologi, Klimatologi, dan Geofisika dengan mengaplikasikan perkembangan ilmu pengetahuan dan teknologi terkini dan dapat berkembang secara dinamis sesuai kemajuan zaman. Dalam menjalankan fungsinya, BMKG berupaya memberikan yang terbaik dan penuh keikhlasan berdasarkan Pancasila untuk bangsa dan tanah air Indonesia yang subur yang terletak di garis khatulistiwa. 3. Arti Logo 



Bentuk lingkaran melambangkan BMKG sebagai institusi yang dinamis.







5 (lima) garis dibagian atas melambangkan dasar negara Indonesia yaitu Pancasila.







9 (sembilan) garis dibagian bawah merupakan angka tertinggi yang melambangkan hasil maksimal yang diharapkan.







Gumpalan awan warna putih melambangkan meteorologi.







Bidang warna biru bergaris melambangkan klimatologi.







Bidang berwarna hijau bergaris patah melambangkan geofisika.







1 (satu) garis melintang ditengah melambangkan garis khatulistiwa.



4. Warna Logo 1. Arti warna logo o



warna biru diartikan keagungan/ketakwaan.



o



warna putih diartikan keikhlasan/suci.



o



warna hijau diartikan kesuburan.



o



warna abu-abu diartikan bebas/tidak ada batas administrasi.



27



2. Jenis warna o



warna biru menggunakan warna biru jenis Blue nomor 0 0 205



o



warna putih menggunakan warna putih jenis White nomor 255; 255; dan 255



o



warna hijau menggunakan warna hijau jenis Green nomor 34; 139; dan 34



o



warna abu-abu menggunakan warna abu-abu jenis Grey nomor 128; 128; dan 128



3.



Penulisan kata "BMKG" dalam logo BMKG menggunakan warna hitam, jenis huruf arial dengan penebalan (bold), dengan ukuran 75% (tujuh lima persen) dari diameter logo.



Berdasarkan : 



Keputusan Kepala BMKG Nomor 04 Tahun 2009 tentang : LOGO DAN PENGGUNAAN CAP DINAS







Keputusan



Kepala



BMKG



Nomor



03



Tahun



2010



tentang



:



PERUBAHAN LOGO DAN PENGGUNAAN CAP DINAS BMKG 



Peraturan BMKG Nomor 5 Tahun 2018 tentang PEDOMAN TATA NASKAH DINAS DI LINGKUNGAN BMKG



3.4 Visi dan Misi BMKG Dalam rangka mendukung dan mengemban tugas pokok dan fungsi serta memperhatikan kewenangan BMKG agar lebih efektif dan efisien, maka diperlukan aparatur yang profesional, bertanggung jawab dan berwibawa serta bebas dari Korupsi, Kolusi, dan Nepotisme (KKN), disamping itu harus dapat menjunjung tinggi kedisiplinan, kejujuran dan kebenaran guna ikut serta memberikan pelayanan informasi yang cepat, tepat dan akurat. Oleh karena itu kebijakan yang akan dilakukan BMKG Tahun 2010-2014 adalah mengacu pada Visi, Misi, dan Tujuan BMKG yang telah ditetapkan.



28



Visi Mewujudkan BMKG yang handal, tanggap dan mampu dalam rangka mendukung keselamatan masyarakat serta keberhasilan pembangunan nasional,



dan



berperan



aktif



di



tingkat



internasional.



Terminologi di dalam visi tersebut dapat dijelaskan sebagai berikut : a. Pelayanan informasi meteorologi, klimatologi, kualitas udara, dan geofisika yang handal ialah pelayanan BMKG terhadap penyajian data, informasi pelayanan jasa meteorologi, klimatologi, kualitas udara, dan geofisika yang akurat, tepat sasaran, tepat guna, cepat, lengkap, dan dapat dipertanggungjawabkan. b. Tanggap dan mampu dimaksudkan BMKG dapat menangkap dan merumuskan kebutuhan stakeholder akan data, informasi, dan jasa meteorologi, klimatologi, kualitas udara, dan geofisika serta mampu memberikan pelayanan sesuai dengan kebutuhan pengguna jasa.



Misi Dalam rangka mewujudkan Visi BMKG, maka diperlukan visi yang jelas yaitu berupa langkah-langkah BMKG untuk mewujudkan Misi yang telah ditetapkan yaitu : 1. Mengamati dan memahami fenomena meteorologi, klimatologi, kualitas udara dan geofisika. 2. Menyediakan data, informasi dan jasa meteorologi, klimatologi, kualitas udara dan geofisika yang handal dan terpercaya. 3. Mengkoordinasikan dan memfasilitasi kegiatan di bidang meteorologi, klimatologi, kualitas udara dan geofisika. 4. Berpartisipasi aktif dalam kegiatan internasional di Bidang meteorologi, klimatologi, kualitas udara dan geofisika. Secara lebih rinci, maksud dari pernyataan misi di atas adalah sebagai berikut: a. Mengamati dan memahami fenomena meteorologi, klimatologi, kualitas udara,



dan



geofisika



artinya



BMKG



melaksanakan



operasional



pengamatan dan pengumpulan data secara teratur, lengkap dan akurat guna dipakai untuk mengenali dan memahami karakteristik unsur-unsur



29



meteorologi, klimatologi, kualitas udara, dan geofisika guna membuat prakiraan dan informasi yang akurat; b. Menyediakan data, informasi dan jasa meteorologi, klimatologi, kualitas udara, dan geofisika kepada para pengguna sesuai dengan kebutuhan dan keinginan mereka dengan tingkat akurasi tinggi dan tepat waktu; c. Mengkoordinasi dan Memfasilitasi kegiatan sesuai dengan kewenangan BMKG, maka BMKG wajib mengawasi pelaksanaan operasional, memberi pedoman teknis, serta berwenang untuk mengkalibrasi peralatan meteorologi, klimatologi, kualitas udara, dan geofisika sesuai dengan peraturan yang berlaku; d. Berpartisipasi aktif dalam kegiatan internasional, artinya BMKG dalam melaksanakan kegiatan secara operasional selalu mengacu pada ketentuan internasional mengingat bahwa fenomena meteorologi, klimatologi, kualitas udara, dan geofisika tidak terbatas dan tidak terkait pada batas batas wilayah suatu negara manapun. 3.5 Tugas dan Fungsi BMKG Tugas BMKG mempunyai tugas : melaksanakan tugas pemerintahan di bidang Meteorologi, Klimatologi, Kualitas Udara dan Geofisika sesuai dengan ketentuan perundang-undangan yang berlaku. Fungsi Dalam melaksanakan tugas sebagaimana dimaksud di atas, Badan Meteorologi Klimatologi dan Geofisika menyelenggarakan fungsi : 



Perumusan



kebijakan



nasional



dan kebijakan umum



di



bidang



meteorologi, klimatologi, dan geofisika; 



Perumusan kebijakan teknis di bidang meteorologi, klimatologi, dan geofisika;







Koordinasi kebijakan, perencanaan dan program di bidang meteorologi, klimatologi, dan geofisika;







Pelaksanaan, pembinaan dan pengendalian observasi, dan pengolahan data dan informasi di bidang meteorologi, klimatologi, dan geofisika;



30







Pelayanan data dan informasi di bidang meteorologi, klimatologi, dan geofisika;







Penyampaian informasi kepada instansi dan pihak terkait serta masyarakat berkenaan dengan perubahan iklim;







Penyampaian informasi dan peringatan dini kepada instansi dan pihak terkait serta masyarakat berkenaan dengan bencana karena faktor meteorologi, klimatologi, dan geofisika;







Pelaksanaan kerja sama internasional di bidang meteorologi, klimatologi, dan geofisika;







Pelaksanaan penelitian, pengkajian, dan pengembangan di bidang meteorologi, klimatologi, dan geofisika;







Pelaksanaan, pembinaan, dan pengendalian instrumentasi, kalibrasi, dan jaringan komunikasi di bidang meteorologi, klimatologi, dan geofisika;







Koordinasi dan kerja sama instrumentasi, kalibrasi, dan jaringan komunikasi di bidang meteorologi, klimatologi, dan geofisika;







Pelaksanaan



pendidikan



dan



pelatihan



keahlian



dan



manajemen



pemerintahan di bidang meteorologi, klimatologi, dan geofisika; 



Pelaksanaan pendidikan profesional di bidang meteorologi, klimatologi, dan geofisika;







Pelaksanaan manajemen data di bidang meteorologi, klimatologi, dan geofisika;







Pembinaan dan koordinasi pelaksanaan tugas administrasi di lingkungan BMKG;







Pengelolaan barang milik/kekayaan negara yang menjadi tanggung jawab BMKG;







Pengawasan atas pelaksanaan tugas di lingkungan BMKG;







Penyampaian laporan, saran, dan pertimbangan di bidang meteorologi, klimatologi, dan geofisika. Dalam melaksanakan tugas dan fungsinya BMKG dikoordinasikan oleh



menteri yang bertanggung jawab di bidang perhubungan.



31



3.6 Struktur Organisasi BMKG Untuk melaksanakan tugas dan fungsi Kepala BMKG dibantu oleh : 1. Sekretariat Utama; 2. Deputi Bidang Meteorologi; 3. Deputi Bidang Klimatologi; 4. Deputi Bidang Geofisika; 5. Deputi Bidang Instrumentasi, Kalibrasi, Rekayasa, dan Jaringan Komunikasi; 6. Inspektorat; 7. Pusat Penelitian dan Pengembangan; 8. Pusat Pendidikan dan Pelatihan; 9. Unit Pelaksana Teknis (UPT) di Pusat dan Daerah. Berikut bagan struktur organisasi BMKG secara umum dan BMKG Cilacap secara khusus :



Gambar 3.2 Struktur Organisasi BMKG



32



Gambar 3.3 Struktur Organisasi BMKG Cilacap



BAB IV PELAKSANAAN DAN PEMBAHASAN



4.1 Pelaksanaan Kerja Praktik Kerja Praktik dilaksanakan di Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) Cilacap yang beralamat di Jalan Gatot Subroto No. 20. Tambaksari, Sidareja, Cilacap 53223 selama 30 hari, yaitu tanggal 22 Juli sampai 22 Agustus 2019. Pelaksanaan kerja praktik dilaksanakan 5 hari kerja yaitu dari hari Senin-Jum’at mulai pukul 08.00 s/d 17.00 WIB, dengan waktu istirahat antara pukul 12.00 sampai dengan 13.00 WIB. 4.2 Metode Kerja Praktik Metode yang digunakan dalam penyelesaian penulisan laporan kerja praktik ini adalah metode studi kasus yaitu penulis mencari dan mempelajari materi yang berkaitan dengan metode peramalan dari berbagai literatur. Data yang diperoleh penulis, selanjutnya diolah dengan menggunakan metode peramalan khususnya ANFIS dengan bantuan program MATLAB. 4.3 Hasil dan Pembahasan Data yang digunakan pada peramalan yaitu data curah hujan bulanan dari tahun 2003 sampai dengan tahun 2018 dengan metode ANFIS pada Tabel 4.1.



33



34



Tabel 4.1 Data curah hujan tahun 2003 sampai dengan tahun 2018 Tahun



Jan



Feb



Mar



Apr



Mei



Jun



Jul



Agus



Sept



Okt



2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018



453,90 259,60 720,40 418,90 153,80 242,70 585,30 263,10 206,40 406,40 254,30 363,00 294,30 171,90 371,00 298,10



340,00 234,90 278,60 363,60 424,10 307,30 229,70 191,80 315,60 235,80 339,70 306,50 319,00 437,10 375,50 177,00



534,70 389,60 551,60 254,50 237,10 177,30 159,40 391,90 261,70 251,00 240,30 296,00 259,00 159,30 140,60 199,00



265,50 188,20 312,30 141,50 336,30 96,70 263,00 202,10 465,30 409,50 235,52 321,00 204,00 367,00 408,90 339,00



219,10 631,10 500,10 285,80 485,70 39,20 272,70 641,90 563,60 273,00 311,30 182,00 244,00 340,80 148,00 29,00



82,20 140,00 339,00 171,00 254,90 0,00 321,60 445,80 116,60 20,10 457,10 362,00 110,00 385,00 271,00 40,00



2,00 182,40 260,40 54,40 13,10 4,10 145,80 342,40 49,60 4,40 507,40 659,00 33,00 658,00 67,50 13,00



0,00 37,20 67,00 7,80 16,60 5,20 1,10 335,70 2,00 1,50 85,00 91,00 6,00 319,00 2,70 4,00



92,20 53,10 543,20 0,00 12,90 35,20 25,80 672,80 1,30 0,00 29,00 4,00 0,00 636,00 197,50 18,00



276,80 85,40 470,40 60,00 143,00 402,10 612,30 621,00 75,50 108,00 75,00 55,60 0,00 955,00 838,00 84,00



Tahun



Jul



Agus



Sept



Okt



Nov



Des



2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018



2,00 182,40 260,40 54,40 13,10 4,10 145,80 342,40 49,60 4,40 507,40 659,00 33,00 658,00 67,50 13,00



0,00 37,20 67,00 7,80 16,60 5,20 1,10 335,70 2,00 1,50 85,00 91,00 6,00 319,00 2,70 4,00



92,20 53,10 543,20 0,00 12,90 35,20 25,80 672,80 1,30 0,00 29,00 4,00 0,00 636,00 197,50 18,00



276,80 85,40 470,40 60,00 143,00 402,10 612,30 621,00 75,50 108,00 75,00 55,60 0,00 955,00 838,00 84,00



581,00 782,30 819,30 30,30 865,20 586,80 425,30 390,60 496,00 647,00 290,00 579,00 382,00 523,00 307,20 682,00



599,20 746,80 606,80 194,40 513,90 491,60 545,70 570,30 320,70 658,50 334,00 627,00 425,00 483,00 366,00 471,00



35



Parameter-parameter input yang digunakan pada peramalan time series ANFIS adalah sebagai berikut : a. A adalah matriks yang akan dilatih. Matriks A berukuran m x n, dengan m = 12 (adalah jumlah bulan dalam 1 tahun) dan n = 16 (jumlah tahun). Pada ANFIS data time series, variabel umumnya hanya ada satu yaitu waktu (t). b. y adalah target output yang diharapkan. y merupakan vektor berukuran n x 1, dengan n adalah jumlah data. Elemen-elemen pada y adalah data pada saat X(t). b. C adalah jumlah aturan yang diinginkan (jumlah Cluster) ANFIS model Sugeno, memiliki 2 aturan yaitu : Rule 1 : if x is A1 and y is B1, then f1 = p1x + q1y + r1; Rule 2 : if x is A2 and y is B2, then f2 = p2x + q2y + r2; Karena terdapat 2 aturan yang dibentuk, maka 192 data yang ada dibagi menjadi 2 kelompok (cluster). Hal ini berarti nilai dari C adalah 2. c. lr adalah laju pembelajaran. Laju pembelajaran bernilai antara 0 sampai 1. Semakin mendekati 1, maka proses pembelajaran akan semakin cepat. Hal ini berarti nilai dari lr adalah 1. d. mc adalah momentum = 0,9. e. Epoh adalah maksimum iterasi = 2000. f. Eps adalah toleransi error/kriteria penghentian = 10-6. g. w adalah pangkat = 2 Peramalan yang baik merupakan peramalan yang dilakukan dengan mengikuti langkah-langkah atau prosedur penyusunan yang baik. Tahapan pada metode ANFIS adalah sebagai berikut: 1. Mempersiapkan data curah hujan. Data curah hujan disajikan per bulan dari tahun 2003 sampai dengan tahun 2018.



36



2. Untuk mereduksi perhitungan komputasi yang terlalu besar, maka dilakukan normalisasi data dalam range 0 s.d 1 menggunakan persamaan berikut: 𝑋−𝑏



𝑋 ′ = 𝑎−𝑏



(4.1)



dengan, X’



: data hasil normalisasi



X



: data asli/data awal



a



: nilai maksimum data asli



b



: nilai minimum data asli



Data curah hujan yang telah ternormalisasi : Tabel 4.2 Data curah hujan yang telah dinormalkan Tahun Jan Feb Mar Apr Mei Jun Jul Agus Sept Okt Nov Des



Tahun Jan Feb Mar Apr Mei Jun Jul Agus Sept Okt Nov Des



2003



2004



2005



2006



2007



2008



2009



2010



2011



2012



0,475288 0,356021 0,559895 0,27801 0,229424 0,086073 0,002094 0 0,096545 0,289843 0,608377 0,627435



0,271832 0,245969 0,407958 0,197068 0,660838 0,146597 0,190995 0,038953 0,055602 0,089424 0,819162 0,78199



0,754346 0,291728 0,577592 0,327016 0,523665 0,354974 0,27267 0,070157 0,568796 0,492565 0,857906 0,635393



0,438639 0,380733 0,266492 0,148168 0,299267 0,179058 0,056963 0,008168 0 0,062827 0,031728 0,20356



0,161047 0,444084 0,248272 0,352147 0,508586 0,266911 0,013717 0,017382 0,013508 0,149738 0,905969 0,538115



0,254136 0,32178 0,185654 0,101257 0,041047 0 0,004293 0,005445 0,036859 0,421047 0,61445 0,514764



0,61288 0,240524 0,166911 0,275393 0,28555 0,336754 0,15267 0,001152 0,027016 0,641152 0,44534 0,571414



0,275497 0,200838 0,410366 0,211623 0,672147 0,466806 0,358534 0,351518 0,704503 0,650262 0,409005 0,597173



0,216126 0,330471 0,274031 0,487225 0,590157 0,122094 0,051937 0,002094 0,001361 0,079058 0,519372 0,335812



0,42555 0,246911 0,262827 0,428796 0,285864 0,021047 0,004607 0,001571 0 0,113089 0,677487 0,689529



2011



2012



2013



2014



2015



2016



2017



2018



0,216126 0,330471 0,274031 0,487225 0,590157 0,122094 0,051937 0,002094 0,001361 0,079058 0,519372 0,335812



0,42555 0,246911 0,262827 0,428796 0,285864 0,021047 0,004607 0,001571 0 0,113089 0,677487 0,689529



0,266283 0,355707 0,251623 0,246618 0,325969 0,478639 0,531309 0,089005 0,030366 0,078534 0,303665 0,349738



0,380105 0,320942 0,309948 0,336126 0,190576 0,379058 0,690052 0,095288 0,004188 0,05822 0,606283 0,656545



0,308168 0,334031 0,271204 0,213613 0,255497 0,115183 0,034555 0,006283 0 0 0,4 0,445026



0,18 0,457696 0,166806 0,384293 0,356859 0,403141 0,689005 0,334031 0,665969 1 0,547644 0,505759



0,388482 0,393194 0,147225 0,428168 0,154974 0,28377 0,070681 0,002827 0,206806 0,877487 0,321675 0,383246



0,312147 0,18534 0,208377 0,354974 0,030366 0,041885 0,013613 0,004188 0,018848 0,087958 0,714136 0,493194



37



3. Pada pemrograman ini, curah hujan diprediksi berdasarkan data curah hujan 6 bulan sebelumnya. Data latih yang digunakan adalah data curah hujan dari bulan Januari 2003 sampai dengan bulan November 2016 (14 tahun). Sedangkan target latih adalah data curah hujan dari bulan Juli 2003 sampai dengan bulan Desember 2016 (14 tahun). Gambaran dari penggunaan data latih dan target latih ditunjukkan pada Tabel 4.3.



Tabel 4.3 Pola data latih Data latih



Target latih



Data pada bulan ke-1 s.d bulan ke-6 Data pada bulan ke-2 s.d bulan ke-7



Data pada bulan ke-7



.



.



.



.



.



.



162



Data pada bulan ke-162 s.d bulan ke-168



Data pada bulan ke-169



Pola 1 2



Data pada bulan ke-8



Perintah untuk menyiapkan data latih dan target latih terdapat pada Lampiran 2. Perintah untuk menampilkan hasil pelatihan dalam bentuk grafik terdapat pada Lampiran 3. Grafik keluaran yang dihasilkan dari proses pelatihan adalah seperti pada Gambar 4.1.



38



Grafik Hasil Pelatihan 1000 Target Asli Hasil Pelatihan 800



Curah Hujan



600



400



200



0



-200



0



20



40



60



80 100 Urutan data



120



140



160



180



Gambar 4.1 Grafik hasil pelatihan



Nilai MSE dan MAPE yang dihasilkan pada proses pelatihan berturut-turut adalah sebesar 0,1617 dan 0,2790 %. Kedua nilai tersebut menunjukkan bahwa proses pelatihan menggunakan algoritma ANFIS dapat memprediksi curah hujan dengan baik, sehingga Fuzzy Inference System (FIS) yang diperoleh dapat digunakan untuk melakukan prediksi pada proses pengujian. 4. Mempersiapkan data uji dan target uji. Pada proses pengujian, target uji digunakan hanya untuk memvalidasi hasil pengujian. Gambaran penggunaan data uji dan target uji ditunjukkan pada Tabel 4.4.



39



Tabel 4.4 Pola data uji Data latih



Target latih Data pada bulan ke-169



.



Data pada bulan ke-163 s.d bulan ke-168 Data pada bulan ke-164 s.d bulan ke-169 Data pada bulan ke-165 s.d bulan ke-170 .



.



.



.



.



.



.



Pola 1 2 3



Data pada bulan ke-170 Data pada bulan ke-171 .



Data pada bulan ke-186 s.d bulan ke-191



162



Data pada bulan ke-192



Perintah untuk menyiapkan data uji dan target uji terdapat pada Lampiran 4. Perintah untuk menampilkan hasil pengujian dalam bentuk grafik terdapat pada Lampiran 5. Grafik keluaran yang dihasilkan dari proses pengujian adalah seperti pada Gambar 4.2. Grafik Hasil Pengujian 900 Target Asli Hasil Pengujian



800 700



Curah hujan



600 500 400 300 200 100 0 -100



0



5



10



15



20



Urutan data



Gambar 4.2 Grafik hasil pengujian



25



40



Nilai MSE dan MAPE yang dihasilkan pada proses pengujian berturut-turut adalah sebesar 0.1617 dan 0.3407 %. Kedua nilai tersebut menunjukkan bahwa proses pengujian menggunakan algoritma ANFIS dapat memprediksi curah hujan dengan baik. Hasil prediksi curah hujan untuk tahun 2019 dan 2020 berdasarkan output dari aplikasi MATLAB 2014 menggunakan metode ANFIS adalah seperti pada Tabel 4.5. Tabel 4.5 Hasil prediksi curah hujan



Bulan Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des



TAHUN 2019 Out pengujian Target pengujian 720,4 720,4979905 278,6 278,692536 551,6 551,5906676 312,3 312,3009005 500,1 500,0699118 339 339,0563853 260,4 260,4692535 67 67,25163022 543,2 542,7598831 470,4 470,5541949 819,3 819,3333085 606,8 606,7647508



Error -0,098 -0,0925 0,00933 -0,0009 0,03009 -0,0564 -0,0693 -0,2516 0,44012 -0,1542 -0,0333 0,03525



Bulan Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des



TAHUN 2020 Out pengujian Target pengujian 418,9 418,9471746 363,6 363,6056828 254,5 254,4800031 141,5 141,484483 285,8 286,0578587 171 169,9393296 54,4 54,75707457 7,8 9,443464002 0 -1,169528177 60 59,47065854 30,3 66,78510552 194,4 218,5383771



Error -0,0472 -0,0057 0,02 0,01552 -0,2579 1,06067 -0,3571 -1,6435 1,16953 0,52934 -36,485 -24,138



BAB V PENUTUP 5.1 Kesimpulan Berdasarkan hasil dan pembahasan pada Bab IV, dapat diambil kesimpulan bahwa metode ANFIS merupakan salah satu metode yang dapat diterapkan dalam peramalan data time series dengan hasil tingkat akurasi yang baik dilihat dari nilai kesalahan yang kecil. Oleh karena itu, hasil peramalan dapat digunakan sebagai pertimbangan bagi perusahaan, pemerintah, atau masyarakat dalam mengambil keputusan terkait dengan pencegahan bencana alam, dan kegiatan bercocok tanam.



5.2 Saran 1. Metode peramalan dengan time series bergantung pada informasi data masa lalu, maka dari itu adanya kesalahan input data, data yang hilang (missing value), dan data yang tidak valid haruslah diminimalisir karena data periode sebelumnya sangat berpengaruh untuk menentukan prediksi periode selanjutnya. Oleh karena itu, diharapkan kecermatan dalam pengumpulan dan perhitungan data. 2. Disarankan untuk menggunakan data dengan jumlah besar pada penulisan selanjutnya karena semakin banyak data, semakin banyak proses belajar pada ANFIS sehingga hasil yang diperoleh akan lebih maksimal.



41



DAFTAR PUSTAKA



Chase, R and Jacobs, R. 2014. Operation and Supply Chain Management. Global Case Edition, New York: Mc Graw Hill. Dwiono, W. 2008. Adaptive Neuro Fuzzy, http://trensains.com/neuro_fuzz.htm. diakses tanggal 20 November 2019. Fariza, A, Helen, A & Rasyid, A. 2007. Performansi Neuro Fuzzy Untuk Peramalan Data Time Series. Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007), 77-82. Goh, C. dan Law, R. 2002. Modeling and Forecasting Tourism Demand for Arrivals with Stochastic Nonstationary Seasonality and Intervention. Tourism Management. 23: 499-510. Handoko. 1994. Klimatologi Dasar, landasan pemahaman fisika atmosfer dan unsure-unsur iklim, PT Dunia Pustaka Jaya, Jakarta. Heizer, J. dan Render, B. 2015. Operations Management (Manajemen Operasi). Edisi Kesebelas. Jakarta: Salemba Empat. Indiyanto, R. 2008. Perencanaan dan Pengendalian Produksi. Surabaya: Yayasan Humaniora. Jang, JSR. 1993. ANFIS: Adaptive-Network-Based Fuzzy Inference System. IEEE Transactions on System, Man, and Cybernetics Volume 23. Hal 665-685. Kusumadewi, S. 2003. Artificial Intelligence Teknik dan Aplikasinya. Yogyakarta: Graha Ilmu. Lakitan. 1985. Dasar-Dasar Klimatologi, PT Raja Gravindo Persada. Makridakis, S., Wheelwright, S.C,. dan McGee, V.E. 1999. Metode dan Aplikasi Peramalan. Jakarta : Erlangga. Montgomery. Design and Analysis of Experiments, 8th Edition. Najmudin. 2012. Teknik Peramalan Bisnis dengan Aplikasi MINITAB. Purwokerto: Universitas Jenderal Soedirman.



42



43



Nasution, A. H. dan Prasetyawan, Y. 2008. Perencanaan Pengendalian Produksi. Edisi Pertama. Yogyakarta: Penerbit Graha Ilmu. Sinaga, RA. Aplikasi Jaringan Syaraf Tiruan Untuk Penentuan Konsentrasi Program Studi Bagi Calon Mahasiswa Baru Stmik Budidarma Medan. Medan. Pelita Informatika Budi Darma 2012. Volume 11. ISSN : 2301-9425. Hal 1-4. Tampubolon, M. P. 2014. Manajemen Operasi & Rantai Pemasok (Operation and Supply-chain Management). Edisi Pertama. Jakarta: Mitra Wacana Media. Vernes, D. J. 1978. Slope movement types and processes Transportation and Road Research Board, Washington D. C. : National Academy of Science. Wignjosoebroto, S. 2003. Ergonomi Studi Gerak dan Waktu, Edisi Ketiga, Jakarta: Guna Widya.



LAMPIRAN



Lampiran 1. Perintah untuk Normalisasi Data % Proses Normalisasi Data max_data = max(max(data)); min_data = min(min(data)); [m,n] = size(data); data_norm = zeros(m,n); for x = 1:m for y = 1:n data_norm(x,y) = (data(x,y)-min_data)/(max_data-min_data); end end



44



45



Lampiran 2. Perintah untuk Menyiapkan Data Latih dan Target Latih % Menyiapkan data latih data_norm = data_norm'; tahun_latih = 14; % Januari 2003 s.d November 2016 bulan_latih = 6; jumlah_bulan = 12; data_latih = zeros(jumlah_bulan*tahun_latihbulan_latih,bulan_latih); for m = 1:jumlah_bulan*tahun_latih-bulan_latih for n = 1:bulan_latih data_latih(m,n) = data_norm(m+n-1); end end % Menyiapkan target latih normalisasi target_latih = zeros(jumlah_bulan*tahun_latih-bulan_latih,1); for m = 1:jumlah_bulan*tahun_latih-bulan_latih target_latih(m) = data_norm(bulan_latih+m); % Juli 2003 s.d Desember 2016 end % Proses pelatihan trnData = [data_latih,target_latih]; numMFs = 2; mfType = 'trapmf'; epoch_n = 2000; in_fis = genfis1(trnData,numMFs,mfType); out_fis = anfis(trnData,in_fis,epoch_n); out_pelatihan = evalfis(data_latih,out_fis); mse_pelatihan = mse(target_latih,data_latih); diff = out_pelatihan-target_latih; mape_pelatihan = (100/numel(out_pelatihan))*... (sum(sum(abs(diff)/target_latih))); % Denormalisasi hasil pelatihan out_pelatihan_asli = (out_pelatihan*(max_data-min_data))+min_data; % Menyiapkan target latih asli target_latih_asli = zeros(jumlah_bulan*tahun_latih-bulan_latih,1); data = data'; for m = 1:jumlah_bulan*tahun_latih-bulan_latih target_latih_asli(m) = data(bulan_latih+m); % Juli 2003 s.d Desember 2016 end



46



Lampiran 3. Perintah untuk Menampilkan Hasil Pelatihan dalam Grafik % Menampilkan hasil pelatihan figure plot(target_latih_asli,'ro-','LineWidth',2,'MarkerSize',4) hold on grid on plot(out_pelatihan_asli,'bo-','LineWidth',2,'MarkerSize',4) hold off title('Grafik Hasil Pelatihan') xlabel('Urutan data') ylabel('Curah Hujan') legend('Target Asli','Hasil Pelatihan')



47



Lampiran 4. Perintah untuk Menyiapkan Data Uji dan Target Uji % Menyiapkan data uji tahun_uji = 2; % Juli 2016 s.d November 2018 bulan_uji = 6; jumlah_bulan = 12; data_uji = zeros(jumlah_bulan*tahun_uji,bulan_uji); for m = 1:jumlah_bulan*tahun_uji for n = 1:bulan_uji data_uji(m,n) = data_norm(jumlah_bulan*tahun_ujibulan_uji+m+n-1); end end % Menyiapkan target uji normalisasi target_uji = zeros(jumlah_bulan*tahun_uji,1); for m = 1:jumlah_bulan*tahun_uji target_uji(m) = data_norm(jumlah_bulan*tahun_uji+m); % Januari 2017 s.d Desember 2018 end % Proses pengujian out_pengujian = evalfis(data_uji,out_fis); mse_pengujian = mse(target_uji,data_uji); diff = out_pengujian-target_uji; mape_pengujian = (100/numel(out_pengujian))*... (sum(sum(abs(diff)/target_uji))); % Denormalisasi hasil pengujian out_pengujian_asli = (out_pengujian*(max_data-min_data))+min_data;



48



Lampiran 5. Perintah untuk Menampilkan Hasil Pengujian dalam Grafik % Menyiapkan target uji asli target_uji_asli = zeros(jumlah_bulan*tahun_uji,1); for m = 1:jumlah_bulan*tahun_uji target_uji_asli(m) = data(jumlah_bulan*tahun_uji+m); % Januari 2017 s.d Desember 2018 end % Menampilkan hasil pengujian figure plot(target_uji_asli,'ro-','LineWidth',2,'MarkerSize',4) hold on grid on plot(out_pengujian_asli,'bo-','LineWidth',2,'MarkerSize',4) hold off title('Grafik Hasil Pengujian') xlabel('Urutan data') ylabel('Curah hujan') legend('Target Asli','Hasil Pengujian’



DAFTAR RIWAYAT HIDUP



DATA PRIBADI Nama Lengkap



: Amelia Dhaniswara



Tempat,Tanggal Lahir



: Banyumas, 22 April 1999



Jenis Kelamin



: Perempuan



Kewarganegaraan



: Indonesia



Agama



: Islam



Status



: Belum Menikah



Alamat



: Perumahan Kalikidang Permai Blok O No.11 Jalan Damai RT 04 RW 07 Sokaraja 5318



No. Telepon



: 085799847010



Email



: [email protected]



PENDIDIKAN FORMAL 1. SD Negeri 1 Sokaraja Kulon: Tahun 2005 - 2011 2. SMP Negeri 1 Sokaraja: Tahun 2011 - 2014 3. SMA Negeri 2 Purwokerto : Tahun 2014 - 2017 4. S1-Matematika Universitas Negeri Jenderal Soedirman : Tahun 2017 sekarang



PENGALAMAN ORGANISASI 1. Sekretaris UKM ITC MIPA Unsoed periode 2018 2. Sekretaris Umum UKM ITC MIPA Unsoed periode 2019



49