D R. BAMBANG L ELONO, ST.MT

(1)

PERANCANGAN PREDIKTOR CUACA MARITIM DENGAN METODE

ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) UNTUK

MENINGKATKAN JANGKAUAN RAMALAN, STUDI KASUS : PELAYARAN

SURABAYA-BANJARMASIN

RI K Y JAYA SA MPURN A IR. SYAMS UL ARIF IN, MT

(2)

LATAR BELAKANG



Faktor cuaca menjadi hal yang sulit untuk diprediksi dalam pelayaran,

maka dari itu peramalan cuaca akhir – akhir ini menjadi topik yang

menarik untuk dibahas, karena sangat membantu dalam kelayakan

pelayaran di laut.



Berdasarkan PP N0.5 Tahun 2010, layanan meteorologi diselenggarakan

untuk menjamin keamanan dan keselamatan pelayaran, mendorong

kelancaran kegiatan perekonomian, menandai batas wilayah dalam rangka

menjaga kedaulatan, memantapkan pertahanan dan keamanan negara, serta

memperkukuh persatuan kesatuan bangsa dalam kerangka wawasan

nusantara.



Diperlukan suatu teknologi yang tepat untuk prediktor cuaca dengan

metode Adaptive Neuro Fuzzy Inference System (ANFIS) dalam

peramalan cuaca untuk kebutuhan pelayaran kapal di pelayaran

Surabaya-Banjarmasin.

(3)

PERMASALAHAN DAN TUJUAN

• Permasalahan

Bagaimana merancang prediktor cuaca

maritim menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk meningkatkan jangkauan ramalan,

sehingga tepat dengan keadaan cuaca sesungguhnya yang selanjutnya bisa didapatkan rekomendasi untuk kelayakan

pelayaran Surabaya-Banjarmasin.

• Tujuan

Untuk merancang prediktor cuaca maritim

menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk

meningkatkan jangkauan ramalan, yang selanjutnya bisa didapatkan rekomendasi

untuk kelayakan pelayaran Surabaya-Banjarmasin.

(4)

LOKASI PENGAMATAN

Ketinggian gelombang dan kecepatan arus titik A, B dan C dihitung

menggunakan interpolasi Lagrange. Sedangkan perairan Surabaya, laut Jawa dan perairan Banjarmasin data cuaca dari BMG Perak II Surabaya.

(5)

PENGOLAHAN DATA

Dasar pemikiran pemodelan prediksi cuaca adalah berdasarkan jurnal oleh Georgios Sylaios yaitu variabel yang mempengaruhi ketinggian gelombang dan arus laut dapat berupa kecepatan angin saat ini, ketinggian gelombang aktual (H(t)), ketinggian gelombang sebelumnya (H(t-1)), kecepatan arus laut aktual (Cu(t)), dan kecepatan arus sebelumnya (Cu(t-1)) yang akan digunakan sebagai masukan dengan model ANFIS time variate. Sedangakan ANFIS time series inputnya berupa ketinggian gelombang aktual (H(t)), ketinggian gelombang sebelumnya (H(t-1)), kecepatan arus laut aktual (Cu(t)), dan kecepatan arus sebelumnya (Cu(t-1)).

(6)

Perbandingan ketinggian gelombang Prediksi

Anfis dengan data sebenarnya 1 JAM KEDEPAN di

perairan Surabaya

0 200 400 600 800 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7

Validasi data bulan Januari 2010

Banyak Data K et in gg ia n G el om ba ng ( m ) Predik si Validasi 0 100 200 300 400 500 600 700 800 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 Banyak Data K et in gg ia n G el om ba ng ( m )

Validasi Data Bulan Januari 2010

ANFIS Prediksi Jmlh data training Jmlh data validasi RMSE training RMSE Validasi Ketinggian Gelombang Time Series 1 jam kedepan 35064 744 0.004683 9 0.005456 Ketinggian Gelombang Multi Variate 1 jam kedepan 35064 744 0.004633 5 0.005767

(7)

Perbandingan ketinggian gelombang Prediksi

Anfis dengan data sebenarnya 1 JAM KEDEPAN di

LAUT JAWA

0 200 400 600 800 0 0.5 1 1.5 2 2.5 3 3.5

Banyak Data K ec ep at an A ru s (c m /s ) Predik si Validasi 0 100 200 300 400 500 600 700 800 0 0.5 1 1.5 2 2.5 3 3.5 Banyak Data K et in gg ia n G el om ba ng ( m )

Validasi Bulan Januari 2010

ANFIS Prediksi Jmlh data training Jmlh data validasi RMSE training RMSE Validasi Ketinggian Gelombang Time Series 1 jam kedepan 35064 744 0.0103802 0.01277 Ketinggian Gelombang Multi Variate 1 jam kedepan 35064 744 0.010439 0.01418

(8)

Perbandingan ketinggian gelombang Prediksi

Anfis dengan data sebenarnya di 1 JAM KEDEPAN

PERAIRAN BANJARMASIN

0 200 400 600 800 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8

Banyak Data K ec ep at an A ru s (c m /s ) Predik si Validasi 0 100 200 300 400 500 600 700 800 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 Banyak Data K et in gg ia n G el om ba ng (m )

ANFIS Prediksi Jmlh data training Jmlh data validasi RMSE training RMSE Validasi Ketinggian Gelombang Time Series 1 jam kedepan 35064 744 0.0101397 0.01841 Ketinggian Gelombang Multi Variate 1 jam kedepan 35064 744 0.00657 0.00905

(9)

Perbandingan KECEPATAN ARUS Prediksi Anfis

dengan data sebenarnya 1 JAM KEDEPAN di

PERAIRAN SURABAYA

0 200 400 600 800 0 5 10 15 20 25

Banyak Data K ec ep at an A ru s (c m /s ) Predik si Validasi 0 100 200 300 400 500 600 700 800 0 5 10 15 20 25 30 Banyak Data K ec ep at an A ru s (c m /s )

ANFIS Prediksi Jmlh data training Jmlh data validasi RMSE training RMSE Validasi

Kecepatan Arus Time Series

1 jam kedepan

35064 744 0.1623 0.33140

Kecepatan Arus Multi Variate

1 jam kedepan

35064 744

0.19751

(10)

Perbandingan KECEPATAN ARUS Prediksi Anfis

dengan data sebenarnya 1 JAM KEDEPAN di LAUT

JAWA

0 200 400 600 800 -10 0 10 20 30 40 50 60 70 80 90

Banyak Data K ec ep at an A ru s (c m /s ) Predik si Validasi 0 100 200 300 400 500 600 700 800 0 10 20 30 40 50 60 70 80 90 100 Banyak Data K ec ep at an A ru s (c m /s )

Kecepatan Arus Time Series

1 jam kedepan

35064 744 0.68985 1.55217

Kecepatan Arus Multi Variate

1 jam kedepan

(11)

Perbandingan KECEPATAN ARUS Prediksi Anfis

dengan data sebenarnya 1 JAM KEDEPAN di

PERAIRAN BANJARMASIN

0 200 400 600 800 0 10 20 30 40 50 60 70 80

Banyak Data K ec ep at an A ru s (c m /s ) Predik si Validasi 0 100 200 300 400 500 600 700 800 0 10 20 30 40 50 60 70 80 Banyak Data K ec ep at an A ru s (c m /s )

Kecepatan Arus Time Series 1 jam kedepan 35064 744 0.439443 0.4703 Kecepatan Arus Multi Variate 1 jam kedepan 35064 744 0.6664 0.72269

(12)

RANCANGAN GUI PREDIKTOR

CUACA MARITIM 1 JAM KEDEPAN

(13)

RANCANGAN GUI PREDIKTOR CUACA

MARITIM 10 JAM KEDEPAN

(14)

KESIMPULAN..1

Untuk prediksi kecepatan arus laut dengan model ANFIS time series menghasilkan nilai RMSE validasi 0.33140 cm/s untuk peramalan pada perairan Surabaya, 2.2038 cm/s untuk peramalan pada titik A, 3.61466 untuk

peramalan pada titik B, 1.55217 cm/s untuk peramalan pada laut Jawa, 1.1298 cm/s untuk peramalan pada titik C, dan 0.4703 cm/s untuk peramalan 1 jam ke depan pada perairan Banjarmasin.

Untuk prediksi kecepatan arus laut multi variate dengan model ANFIS time series menghasilkan RMSE validasi 0.855033 cm/s untuk peramalan pada perairan

Surabaya, 2.3096 cm/s untuk peramalan pada titik A, 2.62006 cm/s untuk peramalan pada titik B, 1.77666 cm/s untuk peramalan pada laut Jawa, 1.1921 cm/s untuk peramalan pada titik C, dan dan 0.72269 cm/s untuk peramalan pada perairan Banjarmasin.

(15)

KESIMPULAN..2

Untuk prediksi ketinggian gelombang laut dengan model ANFIS multi variate menghasilkan nilai RMSE validasi 0.00545 m untuk peramalan pada perairan Surabaya, 0.01263 m untuk peramalan pada titik A, 0.01543 m untuk peramalan pada titik B, 0.01277 m untuk

peramalan pada laut Jawa, 0.01108 m untuk peramalan pada titik C, dan 0.01841 m untuk peramalan pada

perairan Banjarmasin.

Untuk prediksi ketinggian gelombang laut dengan model ANFIS multi variate menghasilkan nilai RMSE validasi 0.005767 m untuk peramalan pada perairan Surabaya, 0.01649 m untuk peramalan pada titik A, 0.01825 m untuk peramalan pada titik B, 0.01418 m untuk peramalan pada laut Jawa, dan 0.01673 m untuk peramalan pada perairan Banjarmasin