Perancangan Perangkat Lunak Prediktor Cuaca ... - Digilib ITS

44 downloads 7462 Views 507KB Size Report
dan prakiraan cuaca, iklim secara makro sangat membantu transportasi laut .... gaussian, Trapesoidal dan Triangular seperti pada gambar-gambar. 2.2, 2.3, 2.4.
1

Perancangan Perangkat Lunak Prediktor Cuaca Berbasis Logika Fuzzy Ilham Bangun Asmoro1), Edi Yulianto2), Ir.Syamsul Arifin, M.T3), Fitri Adi I., S.T, M.T4), Imam Abadi, S.T, M.T 1) Mahasiswa Jurusan Teknik Fisika, FTI-ITS, 2) Mahasiswa Jurusan Teknik Fisika, FTI-ITS, 3) Dosen Teknik Fisika, FTI-ITS, 4) Dosen Teknik Fisika, FTI-ITS, 5) Dosen Teknik Fisika, FTI-ITS

Abstrak— Metode untuk prediksi cuaca telah banyak berkembang baik konvensional seperti regresi linear maupun secara modern sperti ARMA* dan ARIMA*. Hal ini dilakukan untuk memudahkan manusia dalam merencanakan kehidupan mereka Seperti rencana tanam dan masa panen serta gangguan bencana alam. Namun, permasalahan yang terjadi pada beberapa metode tersebut adalah kurangnya akurasi terhadap prediksi cuaca. Sehingga diperlukan suatu metode lain yang dapat mengatasi akurasi prediksi. Dalam penelitian ini, dirancang suatu perangkat lunak prediktor cuaca yang menggunakan metode Logika Fuzzy. Dalam proses prediksinya terdapat tiga masukan utama, temperatur (singa), kelembapan relatif (kulim), dan kecepatan angin (kupa) beserta pengembangannnya. Tiga masukan tersebut digunakan untuk memprediksi lima parameter cuaca. Dari pengolahan data perangkat lunak, diperoleh hasil pengukuran event “cuaca saat ini” memiliki nilai akurasi sebesar 82,9%. Sedangkan, pengukuran prediksi event “cuaca saat ini” adalah sebesar 82,69%. Untuk pengukuran prediksi event “cuaca satu jam ke depan” adalah sebesar 80,40%. Berdasarkan hasil tersebut, diperlukan beberapa variabel cuaca lain yang diperlukan guna memperbaiki akurasi cuaca. Kata Kunci— Cuaca, Fuzzy, akurasi I. LATAR BELAKANG Adanya pemanasan global akan memberi dampak negatif yang nyata bagi kehidupan ratusan jiwa warga di dunia ini. Meskipun pada Laporan PBB tahun 2007, untuk negara dekat kutub akan sedikit diuntungkan, tetapi hal ini cenderung menyebabkan banyak kejadian yang harus diantisipasi oleh beberapa ilmuwan di dunia ini. Salah satu dampak pemanasan global adalah meningkatnya suhu permukaan bumi sepanjang beberapa tahun mendatang, dampak kelanjutannya adalah kegagalan panen di beberapa negara (Laporan PBB, 2007). Naiknya suhu udara memicu topan yang lebih dahsyat, terutama di kawasan Asia (Laporan UNEP PBB, 2007). Sedangkan di berbagai wilayah di Indonesia memiliki variabilitas suhu yang tidak menentu sehingga berdampak pada kondisi cuaca yang berbeda – beda. Indonesia yang berada pada posisi di tengah dunia, terbentang dari 6o.08’LU hingga 11o15’LS dan dari 94o45’BT hingga 141o05’BT dikenal sebagai negara tropis. Selama ini iklim yang terjadi di Indonesia secara makro dapat dibedakan kedalam dua musim, yaitu kemarau dan hujan. Tetapi sejak tahun 1991 pola ini tidak dapat diprediksi saat kapan, kedua musim tersebut terjadi. Indikasi kenaikan permukaan laut yang semakin meningkat sejak tahun 1980 an di beberapa wilayah Indonesia telah menimbulkan hujan di sejumlah wilayah di Kalimantan, Sumatera, Jawa dan Sulawesi (Choir-Laporan BMG, Mei 2007), dan ini belum menunjukkan pola secara regional bahwa Indonesia berada pada musim tertentu. Keakurasian tentang hasil peramalan untuk kondisi

saat ini sangat sulit diperoleh. Karena model matematis peramalan sulit untuk dilakukan. Untuk mengetahui kondisi anomali dilakukan penelitian tentang deret waktu anomali suhu permukaan laut (SST) nino 3,4. Pola cuaca dan iklim yang tidak beraturan akan mengganggu sarana transportasi laut. Frekuensi gangguan angin kencang / badai angin barat dan angin timur yang silih berganti berpeluang mengganggu lalu lintas perhubungan laut dan penyebarangan antar pulau. Beberapa kejadian kecelakaan yang dialami transportasi laut, baik tenggelamnya kapal maupun tabrakan antar kapal. Bila dilihat dari faktor penyebab terjadinya kecelakaan : karena sebab kesalahan manusia (human error) 41 %, bencana alam (force majeur) 38% dan akibat struktur kapal (hull structure) 21% (Susantono, 2007). Seperti kejadian 15 Januari 2009 tenggelamnya kapal motor Teratai Prima di Perairan Majene Sulawesi Barat. 14 Januari 2009, tenggelamnya kapal Kargo Bangka Jaya Expres akibat ombak besar di perairan Tanjung Berikat, Bangka Belitung, dan beberapa kejadian lain. Jumlah stasiun cuaca sekitar 198 di Indonesia dari wilayah Banda Aceh sampai dengan Timika yang mencakup luasan wilayah 7,9 juta km2 dengan 1,8 juta km2 daratan, 6,1 juta km2 luas laut. Informasi dan prakiraan cuaca, iklim secara makro sangat membantu transportasi laut (bmkg.go.id). Tetapi dilihat dari aspek kepresisian informasi dan prakiraan masih perlu ditingkatkan. Hal ini 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 penjadualan pelayaran untuk melakukan aktivitas seharinya sangat bertumpu pada informasi dan prakiraan cuaca maritim ini. Disisi lain tidak semua di wilayah daerah terpencil mampu mengakses informasi ini. Beberapa metode yang lazim digunakan untuk peramalan cuaca secara statistik diantaranya adalah Auto Regressive (AR), AR – Integrated Moving Average (ARIMA) dan yang lain. Metode tersebut telah digunakan untuk peramalan suhu udara, kecepatan angin , kelembaban, curah hujan dan parameter cuaca yang lain pada daerah kawasan tertentu. Dari hasil metode ini, ternyata ditemui beberapa kelemahan. Kelemahan yang terjadi, salah satunya adalah prosentase ketidak tepatan ramalan pada saat kondisi cuaca yang sangat sulit untuk diprediksi secara matematis. Untuk peningkatan sarana dan prasarana untuk keamanan dan keselamatan transportasi laut. Sebagai upaya untuk mengurangi kerugian nasional akibat kecelakaan transportasi dengan cara melakukan standarisasi / asesmen terhadap sarana dan prasarana transportasi pelayaran di Indonesia, salah satu diantaranya dengan melalui “meningkatkan kemampuan untuk melakukan prediksi cuaca maritim yang berpengaruh terhadap pelayaran”(cetak biru Transportasi Laut 2005 - 2024).

2 Dalam penelitian ini, akan dibangun suatu stasiun cuaca mini yang memiliki perangkat lunak yang prediktor cuaca. Dengan pembuatan stasiun tersebut, diharapkan dapat menjadi alat prediksi awal keadaan perairan. Serta dapat dimanfaatkan pada daerah-daerah yang memiliki faktor cuaca yang berubah-ubah. Diharapkan pula alat yang dibuat dapat memberikan banyak lahan pekerjaan dan penelitian baru dibidang pengamatan cuaca. II. TEORI PENUNJANG 2.1 Logika Fuzzy Teori logika fuzzy pertama kali dipublikasikan pada tahun 1965 oleh Lotfi A. Zadeh. Beliau merupakan seorang matematikawan yang mengajar di universitas Berkeley, California United Stated of America. Dalam pengembangannya teori fuzzy banyak dikenal sebagai alat yang digunakan untuk memetakan kejelasan pikiran manusia(Chang, 1997). Logika fuzzy juga digunakan untuk menyatakan hukum operasional dari suatu sistem dengan ungkapan bahasa, bukan dengan persamaan matematis. Banyak sistem yang terlalu kompleks untuk dimodelkan secara akurat, meskipun dengan persamaan matematis yang kompleks. 2.1.1 Notasi Himpunan Fuzzy Misalkan U adalah kumpulan obyek yang secara umum dinyatakan dengan {u}. U disebut semesta pembicaraan dan u mewakili elemen-elemen dari U. Suatu himpunan fuzzy F dalam semesta pembicaaraan U dapat direpresentasikan oleh suatu fungsi keanggotaan (membership function) 𝜇𝜇F yang mewakili nilai dalam interval [0,1] untuk tiap u dalam U dinyatakan sebagai 𝜇𝜇F = U dengan anggota [0,1]. Himpunan fuzzy F dan U (persamaan 2.1) biasanya dinyatakan sebagai himpunan pasangan berurutan u dan derajat keanggotaan.

A. Fuzzifikasi Fuzzifikasi merupakan suatu proses pengubahan himpunan nonfuzzy (crisp) kedalam himpunan fuzzy, masukan bukan fuzzy (crisp) dipetakan ke bentuk himpunan fuzzy sesuai dengan variasi semesta pembicaraan masukan. Pemetaan titik-titik numerik ( crisp points) x = (x1, x2, ………, xn)T є U ke himpunan fuzzy A pada semesta pembicaraan U. Data yang telah dipetakan selanjutnya dirubah ke dalam bentuk linguistik yang sesuai dengan label dari himpunan fuzzy yang telah terdefinisi untuk variabel masukan sistem. Di dalam pemetaan ini terdapat dua kemungkinan pemetaan yaitu, Fuzzyfikasi singleton dengan permisalan A merupakan fuzzy singleton dengan support x, dan fuzzyfikasi nonsingleton: µ A ( x) =1 dan µ A ( x’) menurun dari 1 sebagaimana x’ bergerak menjauh dari x. Fuzzifikasi juga memiliki dua komponen utama, yaitu fungsi keanggotaan himpunan fuzzy dan label. Seperti yang telah dijelaskan sebelumnya, fungsi keanggotaan adalah sebuah kurva yang menggambarkan pemetaan dari masukan ke derajat keanggotaan antara 0 dan 1. Melalui fungsi keanggotaan yang disusun maka dari nilai-nilai masukan tersebut menjadi informasi fuzzy sehingga berguna untuk proses pengolahan secara fuzzy pula. Banyaknya jumlah fungsi keanggotaan dalam fuzzy set menentukan banyaknya aturan yang harus dibuat. Keanggotaan dalam himpunan fuzzy mempunyai bentuk yang berbeda-beda terdiri dari bentuk linier, bell, gaussian, Trapesoidal dan Triangular seperti pada gambar-gambar 2.2, 2.3, 2.4. Sedangkan, label didefinisikan dari fungsi keanggotaan, fungsi keanggotaan apabila dikumpulkan akan menghasilkan fuzzy set, jumlah dari keanggotaan ini disesuaikan dengan kebutuhan (gambar 2.5).

…(2.1) 2.1.2 Struktur Dasar Logika Fuzzy Pada dasarnya struktur logika fuzzy dapat digambarkan seperti pada gambar 2.1. Terdiri dari empat bagian utama, yaitu fuzzifikasi, basis pengetahuan, logika pengambil keputusan, dan defuzzifikasi. Fuzzyfikasi berfungsi mengubah sinyal masukan yang bersifat himpunan tegas ke himpunan fuzzy dengan menggunakan operator fuzzifikasi. Kedua, basis Pengetahuan berisi basis data dan aturan dasar yang mendefinisikan himpunan fuzzy atas daerah – daerah masukan dan keluaran dan menyusunnya dalam perangkat aturan kontrol. Ketiga, logika pengambil keputusan merupakan inti dari logika fuzzy yang mempunyai kemampuan seperti manusia dalam mengambil keputusan. Defuzzifikasi berfungsi untuk mentransformasikan kesimpulan tentang aksi atur yang bersifat fuzzy menjadi sinyal sebenarnya yang bersifat crisp dengan menggunakan operator defuzzifikasi. Dalam subbab selanjutnya akan dibahas lebih lanjut mengenai empat bagian utama sistem logika fuzzy.

Basis Pengetahuan

Gambar 2.2 Bentuk fungsi keanggotaan Gaussian (Pratama, 2010)

Gambar 2.3 Bentuk Fungsi keanggotaan Segitiga (Pratama, 2010)

Gambar 2.4 Bentuk Fungsi keanggotaan Trapesium (Pratama, 2010) Grade membership fungtion (µF)

output

input

1

kecil

Sedang

besar

Defuzzifikasi

Fuzzifikasi

0

Fuzzy

Logika Pengambilan Keputusan

kecepatan

Gambar 2.5 masukan 3 fungsikeanggotaan (Pratama, 2010)

Fuzzy

Gambar 2.1 Struktur Dasar Logika Fuzzy (Pratama, 2010)

B. Basis pengetahuan Basis pengetahuan terdiri dari fakta (Data Base), dan kaidah atur (Rule Base). Fakta adalah bagian pengetahuan yang memuat informasi tentang objek, peristiwa, atau situasi. Sedangkan kaidah

3 (Rule base) berisi informasi tentang cara membangkitkan fakta baru atau hipotesa fakta yang sudah ada. Basis data digunakan untuk mendefinisikan himpunan-himpunan fuzzy dari sinyal masukan dan sinyal keluaran agar dapat digunakan oleh variabel linguistik dalam basis aturan. Dalam pendefinisian tersebut biasanya dilakukan secara subjektif dan didasarkan pada pengalaman dan pertimbangan yang menyangkut kerekayasaan, sehingga bergantung penuh pada perancang. Sedangkan, kaidah atur (Rule Base) dalam fuzzy ini biasanya tersusun dengan pernyataan : IF (antecedent) THEN (consequent) atau dapat juga IF x is A THEN y is B. Antecedent : berisi himpunan fakta masukan (sebab). Consequent : berisi himpunan fakta keluaran (akibat). IF … THEN … dalam logika fuzzy akan melakukan pemetaan dari himpunan fuzzy masukan kehimpunan fuzzy keluaran. C. Defuzzifikasi Defuzzifikasi merupakan proses merubah keluaran fuzzy dari FIS (fuzzy inference system) menjadi keluaran crips. Bentuk umum proses defuzzyfikasi diyatakan dengan Z 0 atau defuzzier (z). Dimana z adalah aksi pengendalian fuzzy, Z 0 adalah aksi pengendali crisp, dan defuzzifier adalah operator defuzzifikasi. Terdapat dua macam metode defuzzifikasi, yaitu metode titik pusat (Center Of Area, COA) dan metode titik tengah Maksimum (Mean Of Maximum, MOM). Metode COA yaitu membagi dua momen pertama fungsi keanggotaan, dan harga v 0 yang menandai garis pembagi adalah harga V yang terdefuzzifikasi. Sedangkan metode MOM merepresentasikan nilai titik tengah dari keluaran yang fungsi anggotanya maksimum. Kedua metode tersebut memiliki fungsi yang berbeda tergantung ppada aplikasi sistem logika fuzzy yang digunakan. D. Logika pengambil keputusan Sering pula disebut sebagai Fuzzy Inference system (FIS) merupakan bagian terpenting dalam logika fuzzy. Logika pengambil keputusan merupakan suatu kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy berbentuk IF – THEN, dan penalaran fuzzy. Fuzzy Inference system (FIS) menerima masukan crisp. Masukan ini kemudian dikirim ke basis pengetahuan yang berisi n aturan fuzzy berbentuk IF – THEN. Apabila jumlah aturan lebih dari satu, maka akan dilakukan agregasi dari semua aturan. Pada dasarnya satu aturan akan aktif apabila kondisi masukan memenuhi aturan pernyataan IF. Pengaktifan aturan pernyataan IF menghasilkan keluaran kontrol yang didasarkan pada aturan pernyataan THEN. Dalam sistem fuzzy digunakan banyak aturan yang menyatakan satu atau lebih pernyataan IF. Suatu aturan dapat pula mempunyai beberapa kondisi masukan, yang satu sama lainya dihubungkan dengan AND atau OR untuk mendapatkan rule keluaran. Selanjutnya, pada hasil agregasi akan dilakukan defuzzifikasi untuk mendapatkan nilai crisp sebagai keluaran sistem. 2.1.3 Fuzzy Clustering Salah satu penerapan logika fuzzy adalah dalam clustering atau pengelompokan. Fuzzy clustering adalah bagian dari pattern recognition atau pengenalan pola. Fuzzy clustering memainkan peran yang paling penting dalam pencarian struktur dalam data. Fuzzy clustering adalah salah satu teknik untuk menentukan cluster optimal dalam suatu ruang vektor yang didasarkan pada bentuk normal Euclidian untuk jarak antar vektor. Ada dua metode dasar dalam fuzzy clustering. Metode pertama disebut dengan fuzzy c-means. Metode ini dinamakan demikian karena dengan clustering ini akan dibentuk sebanyak ccluster yang sudah ditentukan sebelumnya. Metode yang kedua adalah metode yang banyaknya cluster tidak ditentukan sebelumnya. Metode ini dinamakan dengan fuzzy subtractive clustering atau fuzzy Equivalence Relation. Metode clustering yang akan digunakan dalam

penelitian ini adalah fuzzy c-means. Metode ini pertama kali dikenalkan oleh Jim Bezdek pada tahun 1981. Fuzzy c-means adalah salah satu teknik pengklusteran data yang mana keberadaan tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981. Konsep dasar FCM, pertama kali adalah menentukan pusat cluster yang akan menandai lokasi rata rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster ini masih belum akurat. Tiap-tiap data memiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan nilai keanggotaan tiap-tiap data secara berulang, maka dapat dilihat bahwa pusat cluster akan menujui lokasi yang tepat. 2.2 Cuaca, Iklim, dan Perubahan Iklim Pemanasan Global memicu terjadinya perubahan iklim yang signifikan. Hal tersebut juga berpengaruh pada perubahanperubahan sistem fisik dan biologis bumi kita. Beberapa sector yang akan tergagnggu dengan adanya perubahan iklim adalah sector pertanian dan perikanan. Indonesia juga merupakan Negara yang berpotensi terkena dampak perubahan iklim. Untuk itu perlu dilakukan langkah penanggulangan dengan cara mengurangi efek rumah kaca melalui absorpsi karbon. Upaya menanggulangi permasalahan perubahan iklim tidak bisa terlepas dari pembangunan ekonomi dan pengentasan kemiskinan. Masyarakat yang terpenuhi kebutuhan ekonominya akan lebih mudah untuk diajak menjaga lingkungan hidup. Oleh karena itu strategi pembangunan yang bertumpu pada pertumbuhan ekonomi (pro-growth), pengentasan kemiskinan (pro-poor), dan pembukaan lapangan kerja (pro-job); dipadukan dengan pembangunan berwawasan lingkungan (proenvironment) harus dijadikan landasan utama pembangunan berkelanjutan (sustainable development). Sudah saatnya untuk dilakukan perbaikan pola pembangunan yang selama ini dilakukan. Paradigma lingkungan harus diinternalisasikan dalam berbagai sektor pembangunan kita, seperti di sektor energi, pengelolaan hutan dan sumber daya alam, pertanian, perkebunan, tata ruang, dan infrastruktur. Dalam subbab selanjutnya, akan dibahas mengenai teori yang menjelaskan tentang iklim dan cuaca lebih lanjut guna mendukung penelitian. Pada umumnya, observasi tentang cuaca bergantung pada banyak variabel, yaitu temperatur, kelembaban, tekanan atmosfer, kecepatan angin, awan, curah hujan, jarak pandang, titik pengembunan. Oleh Karena itu pemetaan tentang parameter yang berhubungan dengan cuaca telah dikembangkan (Awan, 2009). Namun bagi sebagian orang istilah cuaca, iklim dan musim kadang sering disalah-terapkan peristilahannya. Sebenarnya ketiga istilah tersebut berbeda secara definisi. Meskipun ketiga istilah tersebut saling berhubungan dan efeknya bagi kehidupan manusia akan relatif sama. Fenomena cuaca yang biasa kita lihat yaitu angin kencang dan hujan yang memiliki masa yang pendek. Terkadang cuaca berada dalam kondisi cuaca ekstrim, apabila memiliki suhu udara lebih dari 35 oC, kecepatan angin lebih dari 25 knot atau 36 km/jam dengan tinggi gelombang laut lebih dari 2.5 meter dan intensitas hujan lebih dari 50 mm/hari atau 20 mm/jam. Sedangkan iklim biasanya cenderung tidak mudah berubah seperti iklim tropik dan subtropik. Musim atau dapat disebut monsoon merupakan suatu pola sirkulasi angin yang berhembus secara periodik pada suatu periode (minimal 3 bulan) dan pada periode yang lain polanya akan berlawanan. Oleh masyarakat awam, musim sering dikaiktan dengan musim barat dan curah hujan contoh : awal musim hujan/kemarau, sifat hujan bulanan. Dengan memahami perbedaan ketiga istilah tersebut, maka ketika membicarakan fenomena atmosfer di suatu waktu seperti hujan hari ini, panas hari ini, gelombang tinggi, berarti kita sedang membicarakan cuaca. Tingkat ketepatan peramalan cuaca diperlukan untuk merencanakan kegiatan pada kehidupan sehari-hari (Maqsood, 2003). Contoh yang paling mudah pada kehidupan sehari-hari adalah

4 dibidang pertanian. Dengan adanya peramalan cuaca, para petani dapat mengetahui kapankah masa penanaman ataupun masa panen yang tepat sehingga berdampak positif pada hasil pertanian yang meningkat. Peramalan cuaca juga berpengaruh pada ketersedian sumber air (Mahabir, 2003). Dengan peramalan, para forecaster (peramal cuaca) dapat mengetahui potensi sumber air di berbagai daerah sehingga kebutuhan akan air bagi masyarakat sekitar tercukupi. Cuaca merupakan variabel yang bersifat dinamis sehingga membuat peramalan menjadi sesuatu yang sangat sulit. Tedapat beberapa metode menggunakan perangkat lunak sistem komputasi berbasis regresi dan kepakaran. Namun dari segi keakuratan, basis kepakaranlah yang menjadi andalan bagi seorang peramal cuaca. Metode kepakaran yang sering dipakai adalah jaringan syaraf tiruan, logika fuzzy, maupun penggabungan dari kedua metode kepakaran tersebut. 2.3 Arsitektur Terdistribusi Sistem SCADA Ketika perangkat lunak SCADA pertama kali dikembangkan, konsep umum sistem komputasi biasanya terpusat pada suatu kerangka utama sistem yang melakukan suatu fungsi komputasi dengan proses yang diberikan. Sistem SCADA yang terpusat berbasis pada arsitektur yang tertutup, umumnya terbatas pada perangkat keras dan lunak yang dibuat oleh vendor SCADA. Dengan pengembangan teknologi perangkat lunak dan kebutuhan akan automasi industry kini, evolusi arsitektur SCADA telah merubah system yang terpusat menjadi terdistribusi. Arsitektur terdistribusi dari system SCADA memiliki keuntungan melalui pengembangan dan peningkatan pada chip dan teknologi jaringan Local Area Network (LAN) untuk mendistribusikan data proses melalui berbagai subsistem. Untuk menanggulangi kompleksitas system automasi, proses pada perangkat lunak SCADA dibagi menjadi beberapa seri modul oleh vendor. Modul perangkat lunak SCADA terdiri dari akuisisi data, penyimpanan data historis, antarmuka perangkat keras, even dan alarm. Perangkat lunak SCADA berkerja secara independen kecuali beberapa kunci dan laju lairan kendali yang masih terhubung. Oleh karena itu, peraangkat lunak SCADA disusun dari beberapa komponen yang dapat dipasang pada satu computer atau jaringan LAN. Untuk meningkatkan kinerja sumber, operasi dari sistem SCADA dapat didistribusikan melalui internet. Dari sini dapat diketahui keuntungan dari SCADA bahwa client dapat mengakses data dri segala penjuru dunia dengan izin otoritas. Client dapat menggunakan perangkat lunak jelajah yang umumnya dipakai pada suatu sitem operasi dengan mengabaikan perangkat lunak spesial untuk client.dengan menggunakan suatu pesan sperti XML-RPC dan SOAP, pertukaran data dan laju kendali antara client dan server yang berbeda membutuhkan suatu standar. Jadi, sistem SCADA yang terdistribusi dengan teknologi jaringan membutuhkan mode interaktif yang tinggi. 2.3.1

Komponen berbasis sistem perangkat lunak SCADA Pada tahun terakhir terjadi kemunculan banyaknya teknologi perangkat lunak. Pengembangan komponen berbasis pengembangan perangkat lunak meningkat dengan cepat. Beberapa pembuat infrastruktur komponen dasarnya (platform) adalalh CORBA, Enterprise Java Beans (EJB) dan COM/DCOM . beberapa platform membuat suatu kontribusi untuk membantu pengembang untuk membuat suatu komponen kode biner pada skala yang besar. Membangun sistem dari komponen pada sistem ini membutuhkan suatu mekanisme untuk menggunakan kode yang lalu. Untuk merpertimbangkan sistem pada tingkat yang ringkas, sistem pada tingkat yang rendah dapat diabaikan. Pada waktu yang sama, banyak disiplin ilmu teknik dan konsep tentang komponen telah disetujui dan ditetapkan. Hal ini membuat komponen berbasis sistem digunakan pada banyak bidang.

Banyak sistem perangkat lunak SCADA berbasis komponen telah banyak digunakan. Pengembangan proses dapat dikendalikan dan tujuan proses tercapai dengan adanya perangkat lunak tersebut. Akan tetapi, sebelum adanya spesifikasi OPC (OLE for Process Control), setiap vendor memiliki antarmuka yang berbeda satu sama lain. Komponen SCADA tidak dapat digunakan kembali oleh vendor lain. Spesifikasi OPC menyediakan pendekatan baru untuk mengembangkan sistem perangkat lunak berbasis komponen. OPC merupakan standar yang telah ditetapkan untuk pengembangan modul yang menghubungkan sistem yang berbeda bersamaan, member solusi yang sehat, dan menyediakan sistem operasi yang baik. Kemudian, OPC juga dapat digunakan untuk menyelesaikan solusi untuk perubahan dan ekspansi sistem. Sistem automasi tidak dikuasai oleh satu vendor saja. Tidak lama lagi sistem automasi akan didominasi oleh banyak perusahaan. Oleh karena itu lebih banyak solusi yang ditawarkan dengan persaingan harga yang lebih kompetitif (Hong, 2006). 2.3.2

Konsep OPC OPC terdiri dari suatu standar antarmuka, perlengkapan, dan metode yang dapat digunakan untuk komunikasi alat pada pengendalian proses dan aplikasi manufaktur. OPC berbasis pada teknologi Microsoft DCOM (Distributed Componet Object Model). Teknologi tersebut dikembangkan oleh OPC Foundation, yang dibantu oleh beberapa perusahaan besar yang bergerak di bidang pengendalian proses. Tujuan utama OPC adalah penyediaan akses data yang seragam pada aplikasi industri, seperti beberapa client yang dapat mengaksessuatu data yang difasilitasi oleh OPC server melalui jaringan sistem operasi Windows.

Gambar 2.10. Akses perangkat lunak lain pada suatu alat menggunakan spesifikasi OPC (Santos, 2005) Berdasarkan teori, vendor dan user (pengguna OPC) dapat mengembangkan perangkat lunak antarmuka (driver) untuk komunikasi perlengkapan pengendali proses dan alat proses. OPC mengurangi pengembangan beberapa perangkat lunak antarmuka menjadi satu. Dalam gambar 2, OPC server menyediakan akses eksternal ke data pada alat dalam suatu proses industri melalui perangkat lunak antarmuka alat. Data yang diberikan, dapat diakses oleh beberapa client seperti SCADAs, DCS, spreadsheets, dan lainlain. Setiap perangkat lunak yang bertindak sebagai client, memiliki satndar OPC masing-masing. Tujuan dari OPC adalah menetapkan suatu antarmuka standar dan dapat diterapkan pada suatu server. Hal ini dikarenakan, server dapat menyediakan suatu akses data dan pengoperasian yang mudah antara alat industri yang berbeda pada suatu jaringan yang berbeda penyedia pula. Spesifikasi menjadi suatu ukuran dalam proses akuisisi data. Kemudian, jenis spesifikasi OPC mulai diperkenalkan (Santos, 2005). Berikut ini bagian dari jenis spesifikasi OPC yang terbaru, yaitu : alarm dan even, batch, akses data, pertukaran data, akses data historis, keamanan, dan XML-DA. III. METODOLOGI PENELITIAN 3.1. Perancangan FIS (Fuzzy Inference System) Perancangan FIS (Fuzzy Inference System) menggunakan fitur fuzzy logic toolbox MATLab 2009. Data yang didapatkan dari

5 tugas akhir sebelumnya digunakan untuk membangun FIS dengan metode yang dinamakan fuzzyfikasi. Fuzzifikasi adalah suatu tahap pemetaan nilai masukan dan keluaran kedalam bentuk himpunan fuzzy. Data masukan berupa himpunan crisp yang akan diubah menjadi himpunan fuzzy berdasarkan range untuk setiap variabel masukannya. Dalam penelitian ini, perangkat lunak yang akan dibuat nantinya dapat memprediksi tiga jenis even cuaca, yaitu cuaca saat ini, prediksi cuaca hari ini, dan prediksi cuaca satu jam ke depan. Berikut akan dijelaskan lebih lanjut mengenai tiga jenis FIS yang dibuat.

Gambar 3.1 Perancangan FIS cuaca saat ini Dalam pembuatan FIS (Fuzzy Inference System) untuk cuaca saat ini terdapat tiga jenis variabel yang menjadi masukan, yaitu temperatur (singa), kelembapan relatif (kulim), dan kecepatan angin (kupa). Keluaran yang dihasilkan adalah lima even cuaca, yaitu cerah, berawan, mendung, gerimis, dan hujan. Berikut akan ditunjukkan Funsi keanggotaan dari masing-masing variabel masukan dan keluaran. Perancangan FIS untuk cuaca saat ini memiliki variabel masukan temperatur (singa), kelembaban relatif (kulim) dan kecepatan angin (kupa). Untuk variabel masukan tempertur (singa) dibagi dalam 3 fungsi keanggotaan yaitu rendah (Lo), sedang (Av) dan tinggi (Hi) dengan rentang kerja (range) yang digunakan untuk fungsi keanggotaan adalah 24.2 sampai 30.6. Variabel kelembaban (kulim) dibagi dalam 3 fungsi keanggotaan yaitu rendah (Lo), sedang (Av) dan tinggi (Hi) dengan rentang kerja (range) yang digunakan untuk fungsi keanggotaan adalah 59 sampai 96. Variabel masukan kecepatan angin (kupa) dibagi dalam 3 fungsi keanggotaan yaitu ringan (Lo), sedang (Av), dan tinggi (Hi) dengan rentang kerja (range) yang digunakan untuk fungsi keanggotaan adalah 0.7 sampai 14.21. Untuk variabel keluaran fungsi keanggotaannya dapat dilihat pada gambar 3.2.

(a)

(b)

(c) Gambar 3.2 Fungsi Keanggotaan Variabel Masukan (a)Temperatur (b)Kelembapan (c)Kecepatan Angin Variabel keluaran even cuaca dibagi dalam 5 fungsi keanggotaan. Penentuan range ini berdasarkan pada pengklasteran data yang dilakukan sebelumnya dan beberapa merupakan standard

yang sudah ditetapkan oleh BMKG. Variabel keluaran even cuaca berdasarkan BMKG yaitu cerah (Cr) dengan range kurang dari 5 mm/hari, hujan ringan (Hr) dengan range 5 – 20 mm/hari, hujan sedang (Hs) dengan range 20 - 50 mm/hari, hujan lebat dengan range 50 – 100 mm/hari dan hujan sangat lebat (HSl) dengan range lebih dari 100 mm/hari. Namun, dilakukan desain ulang terhadap parameter keluaran. Hal ini dikarenakan standar keluaran BMKG merupakan variabel mamdani, maka dilakukan perubahan terhadap variabel keluaran menjadi variabel takagi-sugeno. Variabel tersebut sesuai pada gambar 3.3 dengan lima jenis even cuaca, yaitucerah, berawan, mendung, gerimis, dan hujan.

Gambar 3.3 Fungsi Keanggotaan variabel keluaran

Gambar 3.4 Perancangan FIS untuk prediksi cuaca hari ini dan satujam ke depan Dalam pembuatan FIS (Fuzzy Inference System) untuk prediksi cuaca hari ini dan prediksi cuaca satu jam kedepan memiliki empat jenis variabel yang menjadi masukan, yaitu temperatur saat ini (singa), temperatur sebelumnya (singaman), kelembapan relativ saat ini (kulim), dan kelembapan relative sebelumnya (kulimir). Keluaran yang dihasilkan adalah yaitu cerah, berawan, mendung, gerimis, dan hujan. Berikut akan ditunjukkan Funsi keanggotaan dari masingmasing variabel masukan dan keluaran. Perancangan FIS untuk prediksi cuaca hari ini dan prediksi cuaca satujam ke depan memiliki variabel masukan temperatur saat ini (singa), temperatur sebelumnya (singaman), kelembaban relatif (kulim) dan kelembapan relatif sebelumnya (kulimir). Untuk variabel masukan temperatur saat ini (singa) dan temperatur sebelumnya (singaman) dibagi dalam 3 fungsi keanggotaan yaitu rendah (Lo), sedang (Av) dan tinggi (Hi) dengan rentang kerja (range) yang digunakan untuk fungsi keanggotaan adalah 24,2 sampai 30,6 0C. Variabel kelembapan relatif saat ini (kulim) dan kelembapan relatif sebelumnya (kulimir) dibagi dalam 3 fungsi keanggotaan yaitu rendah (Lo), sedang (Av) dan tinggi (Hi) dengan rentang kerja (range) yang digunakan untuk fungsi keanggotaan adalah 59 sampai 96 m/s. Untuk variabel keluaran fungsi keanggotaannya dapat dilihat pada gambar 3.6. Variabel keluaran even cuaca dibagi dalam 5 fungsi keanggotaan. Hal ini sama dengan FIS yang telah dibuat sebelumnya. Variabel tersebut sesuai pada gambar 3.3 dengan lima jenis even cuaca, yaitu cerah, berawan, mendung, gerimis, dan hujan. Setelah dilakukan perancangan FIS dari masing-masing prediksi, maka dibuat basis aturan. Pada basis aturan FIS cuaca saat ini, terdapat dua puluh tujuh basis aturan. Berikut contoh pembacaan tabel yang benar. Apabila singa bernilai Lo dan kulim bernilai Hi maka cuaca bernilai 1 atau Hujan. Basis aturan ini akan menjadi acuan pada FIS yang telah dibuat. Basis aturan yang ditampilkan dalam tabel ini hanya bertujuan untuk mempermudah pembaca memahami proses prediksi cuaca yang akan dilakukan dengan perangkat lunak yang dibuat. Basis aturan yang telah dibuat kemudian sisimulasikan dengan menggunakan fuzzy logic toolbox pada perangkat lunak MATLAB. Hal ini dilakukan untuk mengetahui tingkat kelinieran suatu variabel

6 cuaca dengan hasil prediksi cuaca. Berikut tampilan grafik tiga dimensi hasil pengolahan yang dilakukan.

(a)

(a)

(b)

(b) Gambar 3.8 Grafik tiga dimensi temperatur, kelembapan, dan prediksi cuaca (a) cuaca saat ini (b) prediksi cuaca (c)

(d) Gambar 3.6 Fungsi keanggotaan variabel masukan (a)temperatur saat ini (b) temperatur sebelumnya (c) kelembapan relatif saat ini (d) kelembapan relatif sebelumnya

Gambar 3.9 Perancangan Simulink pada MATLAB

Component

MATLAB 2009

3.3 Perancangan Antarmuka OPC Antarmuka OPC dalam penelitian ini digunakan untuk menghubungkan dua perangkat lunak, yakni Microsoft Visual Basic 6.0 (disingkat ViBi) dan MATLAB 2009. Keduanya memiliki tugas yang berbeda. ViBi berfungsi mengambil data dari sensor agar data dapat diproses selanjutnya. ViBi juga berfungsi sebagai penampil data prediksi cuaca dan penyimpan data hasil pengukuran. MATLAB berfungsi sebagai perangkat lunak pemroses data. Data sensor yang dikirim melalui OPC akan diproses pada fitur simulink MATLAB. Setelah data diolah pada simulink, maka data prediksi akan dikirim kembali pada ViBi melalui antarmuka OPC. Data yang dikirim akan ditampilkan pada perangkat lunak ViBi. Referensi yang digunakan sebagai tambahan untuk menjalankan program ini adalah CSHIS OPC Automation. Referensi ini digunakan sebagai proses antar muka antara OPC dengan ViBi. Dalam referensi ini, terdapat berbagai macam kode untuk proses antarmuka tersebut. Kode pada ViBi untuk proses pembuatan perangkat lunak penampil data ini dapat dilihat pada lampiran B. Berikut akan dibahas listing program visual basic yang dapat dilihat pada tabel 3.3.

Visual Basic 6.0

3.2 Perancangan Simulink Simulink merupakan fitur yang terdapat pada perangkat lunak MATLAB yang digunakan untuk merancang mesin prediksi cuaca. Variabel cuaca yang telah dibaca oleh sensor akan dikirimkan pada simulink melalui antarmuka OPC dan ViBi. Pada simulink digunakan fitur library OPC, fuzzy logic, serta diagram blok yang biasa digunakan dalam perancangan simulink. Perancangan simulink dapat dilihat pada gambar 3.x.

MATRIKON OPC SIMULATION SERVER

References

Simulink

Gambar 3.10 Struktur antarmuka OPC 3.5 Perbaikan, Validasi dan Analisa Perangkat Lunak Proses perbaikan dilakukan dengan pengambilan lima data variabel cuaca selama tiga puluh hari dengan rentang waktu dua belas jam setiap harinya. Lima data variabel cuaca tersebut meliputi temperatur, kelembapan, kecepatan angin, arah angin, dan tekanan udara. Dalam penelitian ini hanya dikhusukan pada tiga variabel

7 pertama saja. Hal ini dilakukan untuk memperbaiki basis aturan pada perangkat lunak yang telah dirancang sebelumnya. Dengan perbaikan basis aturan pada perangkat lunak, diharapkan tingkat kepakaran dan akurasi peramalan menjadi lebih baik. Pengambilan data ini dilakukan pada lingkungan Teknik Fisika. Setelah dilakukan proses perbaikan, kemudian dilanjutkan dengan proses validasi. Proses validasi perangkat lunak prediktor cuaca dilakukan selama limabelas hari dengan rentang waktu jam yang sama. Validasi dilakukan untuk mengetahui nilai akurasi suatu perangkat lunak dalam memprediksi cuaca. Dari hasil tersebut maka dapat dilakukan analisa terhadap perangkat lunak yang dibuat. IV. ANALISA DATA DAN PEMBAHASAN

Gambar 4.1 pengolahan data temperatur Setelah dilakukan pengukuran, didapatkan data real cuaca di sekitar Teknik Fisika. Pengukuran dilakukan pada tanggal 28 April hingga 9 Mei 2011, serta pada tanggal 9 Juni sampai 19 Juni 2011. Kemudian, data yang didapat diolah menggunakan fitur dalam MATLAB sehingga menghasilkan gambar 4.1. Pada Gambar 4.1 ditunjukkan grafik antara temperatur pengamatan secara manual (bulat) dan menggunakan simulink (titik). Keduanya berkorelasi terhadap nilai cuaca. Nilai cuaca berkisar antara nol hingga satu, dengan keterangan nilai “ 0,2 = ‘Cerah’; 0,4 = ‘Berawan’ ; 0,6 = ’Mendung’; 0,8 = ‘Gerimis’; 1 = ‘Hujan’. Setiap range temperatur tertentu maka akan mengubah besarnya nilai cuaca. Range temperatur pengukuran yang teramati adalah 23,7 hingga 39,7 0C. Data ini berbeda dengan penelitian sebelumnya yang memiliki rentang 24,2 hingga 30,6 0C (Yorinda, 2010). Hal ini dikarenakan pengambilan data dilakukan disekitar Teknik Fisika ITS Surabaya sehingga range temperatur yang didapatkan berbeda dari penelitian sebelumnya. Pada gambar dapat dilihat bahwa grafik antara pengambilan data secara manual dan simulink tidak berimpit sehingga didapatkan error yang besar dari pengukuran simulink. Besarnya error didapat dari perhitungan RMSE sebesar 22.71% (LampiranD). Dari perhitungan tersebut perlu dilakukan desain ulang fungsi keanggotaan untuk variabel temperatur dengan mengacu pada data manual. Dalam desain ulang tersebut akan digunakan metode fuzzy clustering. a) Kelembapan Relatif

Gambar 4.2 pengolahan data kelembapan

Setelah dilakukan pengukuran, didapatkan data real cuaca di sekitar Teknik Fisika. Pengukuran dilakukan pada tanggal 28 April hingga 9 Mei 2011, serta pada tanggal 9 Juni sampai 19 Juni 2011. Kemudian, data yang didapat diolah menggunakan fitur dalam MATLAB sehingga menghasilkan gambar 4.2. Pada Gambar 4.2 ditunjukkan grafik antara kelembapan relatif pengamatan secara manual (bulat) dan menggunakan simulink(silang). Keduanya berkorelasi terhadap nilai cuaca. Nilai cuaca berkisar antara nol hingga satu, dengan keterangan nilai “ 0,2 = ‘Cerah’; 0,4 = ‘Berawan’ ; 0,6 = ’Mendung’; 0,8 = ‘Gerimis’; 1 = ‘Hujan’”. Gambar juga menunjukkan bahwa pada setiap range kelembapan relatif. Kelembapan relatif berbanding lurus dengan nilai cuaca apabila grafik dilinierkan. tertentu maka akan mengubah besarnya nilai cuaca. Untuk memperdalam analisa, maka digunakan fitur fuzzy clustering dalam perangkat lunak MATLAB untuk mengetahui pembagian range yang tepat. Hal ini akan dibahas pada subbab selanjutnya. Range kelembapan relatif pengukuran yang teramati adalah 37.7% sampai 90%. Data ini berbeda dengan penelitian sebelumnya yang memiliki rentang 59 hingga 96% (Yorinda, 2010). Pada gambar dapat dilihat bahwa grafik antara pengambilan data secara manual dan simulink tidak berimpit sehingga didapatkan error yang besar dari pengukuran simulink. Besarnya error didapat dari perhitungan RMSE sebesar 22,71% (Lampiran C). Dari perhitungan tersebut perlu dilakukan desain ulang fungsi keanggotaan untuk variabel temperatur dengan mengacu pada data manual. Dalam desain ulang tersebut akan digunakan metode fuzzy clustering yang akan dibahas pada subbab 4.3. b) Kecepatan angin

Gambar 4.3 pengolahan data kecepatan angin Setelah dilakukan pengukuran, didapatkan data real cuaca di sekitar Teknik Fisika. Kemudian, data yang didapat diolah menggunakan fitur dalam MATLAB sehingga menghasilkan gambar 4.3. Pada Gambar 4.3 ditunjukkan grafik antara kelembapan relatif pengamatan secara manual (bulat) dan menggunakan simulink(silang). Keduanya berkorelasi terhadap nilai cuaca. Nilai cuaca berkisar antara nol hingga satu, dengan keterangan nilai “ 0,2 = ‘Cerah’; 0,4 = ‘Berawan’ ; 0,6 = ’Mendung’; 0,8 = ‘Gerimis’; 1 = ‘Hujan’”. Dalam gambar ini, sebaran dari kecepatan ingin bersifat acak sehingga belum diketahui perbandingan nilai cuaca dan kecepatan angin. Untuk memperdalam analisa, maka digunakan fitur fuzzy clustering dalam perangkat lunak MATLAB untuk mengetahui pembagian range yang tepat. Hal ini akan dibahas pada subbab selanjutnya. Range kecepatan angin yang teramati adalah 0 hingga 4,4 m/s. Data ini berbeda dengan penelitian sebelumnya yang memiliki rentang 0 hingga 14 m/s (Yorinda, 2010). Pada gambar dapat dilihat bahwa grafik antara pengambilan data secara manual dan simulink tidak berimpit sehingga didapatkan error yang besar dari pengukuran simulink. Besarnya error didapat dari perhitungan RMSE sebesar 22,71% (Lampiran C). Dari perhitungan tersebut perlu dilakukan desain ulang fungsi keanggotaan untuk variabel temperatur dengan mengacu pada data manual. Dalam desain ulang tersebut akan digunakan metode fuzzy clustering.

8 4.3 Pengelompokan Data (Data Cluster) a) Temperatur

Gambar 4.4 hasil cluster temperatur (lingkaran merah) Dengan menggunakan fitur fuzzy clustering (perintah : findcluster) pada MATLAB, maka didapatkan tiga titik kelompok yang dapat digunakan sebagai pusat fungsi keanggotaan yang baru. Untuk titik minimum pengelompokan data berada pada 24,66 0C. Titik tengah pengelompokan data berada pada 30,59 0C. Sedangkan, titik maksimum pengelompokan data berada pada 34,52 0 C. setelah dilakukan pengelompokan data, maka perancangan FIS yang baru dilakukan. FIS yang baru untuk temperatur dapat dilihat pada gambar 4.5.

c)

Kecepatan Angin

Gambar 4.8 hasil cluster kecepatan angin (lingkaran merah) Dengan menggunakan fitur fuzzy clustering (perintah : findcluster) pada MATLAB, maka didapatkan tiga titik kelompok yang dapat digunakan sebagai pusat fungsi keanggotaan yang baru. Untuk titik minimum pengelompokan data berada pada 1,089 m/s. Titik tengah pengelompokan data berada pada 1,957 m/s. Sedangkan, titik maksimum pengelompokan data berada pada 1,347 m/s. setelah dilakukan pengelompokan data, maka perancangan FIS yang baru dilakukan. FIS yang baru untuk temperatur dapat dilihat pada gambar 4.9.

Gambar 4.5 FIS untuk variabel temperatur b)

Kelembapan Relatif

Gambar 4.9 FIS untuk kecepatan angin Pembentukan awal fungsi keangotaan berupa fungsi segitiga. Namun, setelah dilakukan pengamatan, maka dilakukan penambahan fungsi trapezoidal. Hal ini dikarenakan fungsi trapezoidal memiliki titik-titik pada batas maksimum dan minimum pengelompokan data dengan tingkat kepastian yang tinggi. Semisal suhu 35 0C merupakan suhu dimana memiliki nilai cuaca 0,2 (cerah).

Gambar 4.6 hasil cluster kelembapan relatif (lingkaran merah) Dengan menggunakan fitur fuzzy clustering (perintah : findcluster) pada MATLAB, maka didapatkan tiga titik kelompok yang dapat digunakan sebagai pusat fungsi keanggotaan yang baru. Untuk titik minimum pengelompokan data berada pada 46,73 %. Titik tengah pengelompokan data berada pada 67,31 %. Sedangkan, titik maksimum pengelompokan data berada pada 84,37%. setelah dilakukan pengelompokan data, maka perancangan FIS yang baru dilakukan. FIS yang baru untuk temperatur dapat dilihat pada gambar 4.7.

Gambar 4.7 FIS untuk kelembapan relatif

Gambar 4.12 Gabungan Nilai RSME Validasi FIS Pada pembahasan sebelumnya telah dijelaskan tentang RMSE dari masing-masing jenis FIS prediksi cuaca seperti cuaca hari ini, prediksi cuaca hari ini, dan prediksi satu jam ke depan.Perbandingan nilai RMSE dapat dilihat pada gambar 4.12. Terdapat nilai RMSE yang melebihi dua puluh persen. Pada hari kedua pengamatan, nilai RMSE untuk prediksi cuaca satu jam ke depan adalah 27,95%. Hilangnya beberapa data akibat alat yang mengalami gagal pembacaan menjadi salah satu penyebab besarnya

9 nilai error prediksi cuaca. Sehingga, proses rerata prediksi kurang maksimal. Dalam proses perhitungan, setiap jamnya diperoleh kurang lebih enam puluh data. Akibat kegagalan tersebut, proses prediksi selama dua jam kurang optimal pada pukul 7.00 dan 8.00. Pada hari kelima pengamatan data, terjadi nilai RMSE yang besar berkisar 21,90% dan 21,79%. Hal yang sama terjadi seperti pada hari kedua pengamatan. Terjadi kehilangan data pada pukul 10.55 hingga 14.32. sehingga menyebabkan proses prediksi FIS prediksi cuaca hari ini tidak optimal. Data yang menit sebelumnya berasal dari pukul 10.54 dan digunakan untuk prediksi pada pukul 14.33 sehingga error yang dihasilkan besar. Sedangkan untuk FIS cuaca hari ini, nilai RMSE yang besar diakibatkan oleh kesalahan dalam hal prediksi cuaca realdan pengelompokan nilai cuaca real, sehingga data yang dihasilkan memiliki RMSE yang besar. Namun, untuk FIS prediksi cuaca satu jam kedepan memiliki error yang kecil berkisar antara 16,91%. RMSE yang besar terjadi pada hari ketujuh pengamatan data. RMSE berkisar antara 26,13% dan 27,98%. Dalam kasus ini, terjadi ketidak adaan data pada pukul 10.29 hingga 13.51. sehingga untuk FIS prediksi cuaca hari ini, data permenit yang berasal dari pukul 10.28 menjadi masukan pada pukul 13.51 sehingga terjadi error. Hal ini terjadi pada FIS prediksi cuaca satu jam ke depan, prediksi menjadi tidak akurat. V. KESIMPULAN DAN SARAN

Setelah dilakukan penelitian tentang perancangan perangkat lunak prediksi cuaca, terdapat beberapa kesimpulan yang dapat diambil. Pengukuran event “cuaca saat ini” memiliki nilai akurasi sebesar 82,9%. Sedangkan, pengukuran prediksi event “cuaca saat ini” adalah sebesar 82,69%. Untuk pengukuran prediksi event “cuaca satu jam ke depan” adalah sebesar 80,40%. Model prediksi dengan metode logika fuzzy Takagi Sugeno yang digunakan dalam prediksi curah hujan memiliki performansi yang baik dibanding penelitian sebelumnya yang menggunakan metode logika fuzzy Mamdani dan jaringan saraf tiruan, yang mempunyai tingkat keakuratan hanya sebesar 69% dan 65 %. Saran-saran yang dapat diberikan untuk penelitian selanjutnya adalah pengembangan variabel cuaca yang digunakan sebagai masukan. Setelah dilakukan penelitian terhadap tiga variabel cuaca (temperatur, kelembapan, kecepatan angin), perlu adanya penambahan variabel terang langit dan curah hujan. Hal ini dikarenakan tiga variabel tersebut dirasa kurang untuk mewakili suatu event cuaca. Kemudian pengembangan perangkat lunak selain MATLAB yang dapat digunakan untuk proses pengolahan data semisal LabVIEW. DAFTAR PUSTAKA Anonim, Cetak Biru Transportasi Udara 2005 – 2024.2004. Dirjen Perhubungan Udara, Awan, Malik S.K. and Mian M.A.2009. Predicting Weather Events Using Fuzzy Rule Based System.Elsevier.B.V, Chang,Phing-Teng.1997. Fuzzy Seasonality Forecasting. Elsevier.B.V. Choir, Unmul, Zakir, Achmad.2007. Kajian Indeks Stabilitas Udara Model KMA di Wilayah Indonesia Bulan April dan Mei 2007, Laporan BMG, Iswahyudi, Muhammad Addin.2009.Perancangan Pengendali Pemenuhan Lintasan Berbasis Logika Fuzzy pada Kapal Cepat FPB – 38. Jurusan Teknik Fisika ITS, Tugas Akhir Mahabir, C., F.E. Hicks and A. Robinson Fayek.2003. Application of Fuzzy Logic to Forecast Seasonal Runoff.Willey Interscience, Maqsooda, Imran and friends.2005.Application of soft computing models to hourly weather analysis in southern Saskatchewan, Canada. Elsevier.B.V,

Hong, Xu and Wang Jianhua. 2003. An extendable data engine based on OPC specification. Elsevier.B.V, Hong, Xu and Wang Jianhua. 2006. Using standard components in automation industry: A study on O PC Specification. Elsevier.B.V, Kovacic, Zdenko dan Stjepan Bogdan.2006. Fuzzy Controller Design Theory and Applications.CRC Press. United States of America, Pratama, Ardian Candra.2010. Perancangan Model Adaptive Neuro Fuzzy Inference System Untuk Memprediksi Cuaca maritim. Jurusan Teknik Fisika ITS, Tugas Akhir. Rajendram, A. and P. Neelamegam. 2003. Measurement of Conductivity of liquids using AT89C55WD microcontroller. Elsevier.B.V, Sahin, Cihan and Emine Dogru Bolat. 2009. Development of remote control and monitoring of web-based distributed OPC system. Elsevier.B.V, Santos, Raul Alves and Friends. 2005. OPC based distributed real time simulation of complex continuous processes. Elsevier.B.V, Sen, Zekai. 2008. Solar Energy Fundamentals and Modelling Techniques. Springer-Verlag London Limited. England Singh, S.R.2007. A Simple Method of Forecasting on Fuzzy Time Series.Elsevier.B.V Susantono, Bambang.2008. 1 – 2 – 3 Langkah Menempatkan Kembali Keselamatan Menuju Transportasi Bermartabat, MTI, Yorinda, Ilham Achmadi. 2010. Perancangan Sistem Prediksi Cuaca Berbasis Logika Fuzzy untuk Kebutuhan Penerbangan di Bandara Juanda-Surabaya. Tugas Akhir Teknik Fisika ITS-Surabaya Zadeh, Lotfi A..1965. Fuzzy Sets. Elsevier.B.V, www.bmkg.go.id diakses pada 17 November 2010 pukul 22.00 WIB, www.mathworks.com perihal OPC toolbox dan diakses pada 8 November 2010 pukul 08.00 WIB.

. Biodata Penulis: Nama :Ilham B. Asmoro NRP : 2407 100 030 Alamat: Jln. Bondowoso II No.35 Perum GKB Gresik Riwayat Pendidikan: • 1. SD Muhammmadiyah GKB (1995-2001) • 2. SLTPN I Gresik (2001-2004) 1. SMAN I Gresik (2004-2007) 2. Teknik Fisika ITS Surabaya Asd (2007-sekarang)