PERANCANGAN PERANGKAT LUNAK PREDIKTOR CUACA BERBASIS LOGIKA FUZZY

PERANCANGAN PERANGKAT LUNAK PREDIKTOR CUACA BERBASIS LOGIKA FUZZY Oleh Ilham Bangun Asmoro 2407 100 030. Dosen Pembimbing : Ir. Syamsul Arifin, MT Jurusan Teknik Fisika Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Surabaya 2011. Fitri Adi I. , ST, MT.

Pemodelan. Global Warming. Pengaruh cuaca terhadap aspek kehidupan.

Penyebab Terjadinya Kecelakaan Kapal Struktur Kapal 21%. Human Error 41%. Bencana Alam 38%. [MTI, VOLUME 2, 1-2-3 LANGKAH, 2007].

Bagaimana merancang suatu perangkat lunak prediktor cuaca agar mampu digunakan untuk proses prediksi cuaca,  Bagaimana membangun suatu Graphic User Interface (GUI) yang mampu mengolah, menyimpan dan menampilkan prediksi cuaca,  Bagaimana merancang algoritma logika fuzzy untuk prediktor cuaca,  Bagaimana merancang algoritma logika fuzzy agar dapat memprediksi secara tepat dan akurat. .

Penelitian hanya dilakukan di sekitar Teknik Fisika ITS Surabaya,  Data yang diambil dari hasil pengukuran stasiun cuaca mini yang telah dibuat (data real),  Data yang digunakan sebagai masukan adalah temperatur, kelembaban udara dan kecepatan angin,  Data yang digunakan sebagai keluaran adalah curah hujan atau weather event, .

Tujuan dari penelitian ini adalah  Merancang suatu perangkat lunak prediktor cuaca agar mampu digunakan untuk proses prediksi cuaca,.

Proses. CaMaBa. Kriteria nilai ITS.

Proses.



Mulai. Perolehan Data Variabel Cuaca. Perancangan Algoritma dan Perangkat Lunak. Pengujian Sistem dan Perbaikan Algoritma. Tidak Sesuai. Ya Analisa dan Validasi. Ya Penyusunan Laporan. Selesai.

No 1. Peneliti Kresnawan, Andre. Judul Tahun Metode Neural Penerapan Model 2009 Network Jaringan Syaraf Tiruan untuk Memprediksi Gangguan Cuaca Maritim. 2. Pratama, Perancangan 2010 Ardian Candra Model Adaptive Neuro Fuzzy Inference System Untuk Memprediksi Cuaca maritim. ANFIS. 3. Yorinda, Ilham Perancangan 2010 Achmadi Sistem Prediksi Cuaca Berbasis Pada Logika Fuzzy untuk Kebutuhan Penerbangan Bandara JuandaSurabaya. Fuzzy Logic. Hasil Current RMSE training = 9.64 m/s, RMSE checking = 7.98 m/s dan VAF = 38,1 %, Wave RMSE = 0,1295 meter and VAF = 99.887%, rainfall RMSE = 32,6 mm and VAF = 26,122 %. Akurasi untuk presiksi hujan sebesar 38 %, untuk cuaca hari ini 99.887 %, dan prediksi gelombang 99.913 %.. Kekurangan Off Line dan pada kawasan maritim. Off Line dan pada kawasan maritim. Off Line.

Visual Basic 6.0. MATLAB 2009. Component. MATRIKON OPC SIMULATION SERVER. References. Simulink.

Arsitektur OPC SCADA. EXCEL. DCS. OPC CLIENT. OPC CLIENT. OPC CLIENT. OPC SERVER. SPESIFIC COMMUNICATION DEVICES. Arsitektur Pengendalian pada kebanyakan industri secara konvensional.



Data-Data Penelitian sebelumnya (ex: yorinda, 2010).

Temperatur. Kelembapan. Kecepatan Angin.

Define singa as now temperature  Define singaman as past temperature  Define kulim as now relative humidity  Define kulimir as past relative humidity  Define kupa as now wind speed  Define kupamil as past wind speed .



Inisialisasi Nilai Parameter Cuaca Cerah memiliki crisp maksimum 0.2 Berawan memiliki crisp maksimum 0.4 Mendung memiliki crisp maksimum 0.6 Berawan memiliki crisp maksimum 0.8 Hujan memiliki crisp maksimum 1.0.

kupa No. singa. kulim. 1. Lo. Lo. Av. Hi. Lo. Mendung. Mendung. Mendung. 2. Av. Gerimis. Gerimis. Gerimis. 3. Hi. Hujan. Hujan. Hujan. Lo. Berawan. Berawan. Berawan. 5. Av. Mendung. Mendung. Mendung. 6. Hi. Gerimis. Gerimis. Gerimis. Lo. Cerah. Cerah. Cerah. 8. Av. Berawan. Berawan. Berawan. 9. Hi. Mendung. Mendung. Mendung. 4. 7. Av. Hi.

. . . If temperature is Hi and humidity is Lo and windspeed is Lo Then weather is CERAH If temperature is Hi and humidity is Av and windspeed is Lo Then weather is BERAWAN If temperature is Hi and humidity is Hi and windspeed is Lo Then weather is MENDUNG.

No. singa. singaman. 1 Lo. 2 3 4 5 6. Lo. Av. 7. Lo. Kulimir Av. Hi. Lo. Mendung. Mendung. Mendung. Av Hi. Gerimis Hujan. Gerimis Hujan. Gerimis Hujan. Lo. Mendung. Mendung. Mendung. Av Hi. Gerimis Hujan. Gerimis Hujan. Gerimis Hujan. kulim. Lo. Mendung. Mendung. Mendung. Av Hi Lo. Gerimis Hujan Berawan. Gerimis Hujan Berawan. Gerimis Hujan Berawan. Av. Mendung. Mendung. Mendung. Hi Lo. Gerimis Berawan. Gerimis Berawan. Gerimis Berawan. Av. Mendung. Mendung. Mendung. Hi Lo. Gerimis Berawan. Gerimis Berawan. Gerimis Berawan. Av. Mendung. Mendung. Mendung. Hi Lo Av. Gerimis Cerah Berawan. Gerimis Cerah Berawan. Gerimis Cerah Berawan. 21. Hi. Mendung. Mendung. Mendung. 22 23. Lo Av. Cerah Berawan. Cerah Berawan. Cerah Berawan. 24. Hi. Mendung. Mendung. Mendung. 25 26. Lo Av. Cerah Berawan. Cerah Berawan. Cerah Berawan. Hi. Mendung. Mendung. Mendung. Hi. 8 9 10. Lo. 11 12 13 14. Av. Av. 15 16 17. Hi. 18 19 20. 27. Lo. Hi. Av. Hi.

. . . If Now Temperature is Hi and Past Temperature is Av and Now Humidity is Av and Past Humidity is Av Then weather is BERAWAN If Now Temperature is Hi and Past Temperature is Av and Now Humidity is Hi and Past Humidity is Av Then weather is MENDUNG… If Now Temperature is Hi and Past Temperature is Hi and Now Humidity is Lo and Past Humidity is Av Then weather is HUJAN….

Tampilan Antarmuka OPC.

Tampilan Perangkat Lunak Visual Basic.



(Nilai Cuaca Real-Nilai Cuaca Simulink) 2 RMSE= n, data. pengukuran.

Data Temperatur per 26 April 2011 hingga 19 Juni 2011.

Data Kelembapan per 26 April 2011 hingga 19 Juni 2011.

Data Kecepatan Angin per 26 April 2011 hingga 19 Juni 2011.

Berdasarkan hasil pengukuran selama 7 hari dengan rentang waktu selama 12 jam, didapatkan data pengukuran variabel cuaca (temperatur, kelembapan relatif, kecepatan angin, dan cuaca real)  Setelah dibandingkan dengan prediksi, diperoleh RMSE sebesar 22,71% sehingga perlu dilakukan perbaikan fungsi keanggotaan dengan cara FCM (Fuzzy Mean Clustering) .

Data Temperatur per 26 April 2011 hingga 19 Juni 2011.

Hasil Pengelompokan data diubah menjadi fungsi keanggotaan temperatur yang baru.

Data Kelembapan per 26 April 2011 hingga 19 Juni 2011.

Hasil Pengelompokan data diubah menjadi fungsi keanggotaan kelembapan yang baru.

Data Kecepatan Angin per 26 April 2011 hingga 19 Juni 2011.

Hasil Pengelompokan data diubah menjadi fungsi keanggotaan kecepatan angin yang baru.



(Nilai Cuaca Real-Nilai Cuaca Simulink) 2 RMSE= n, data. pengukuran.

No 1 2 3 4 5 6 7 Mean Akurasi Data per 20 Juni 2011 hingga 28 Juni 2011. PI 0.16 0.14 0.18 0.17 0.22 0.14 0.18 0.17 0.83.

No 1 2 3 4 5 6 7 Mean. PII 0.17 0.12 0.14 0.14 0.22 0.16 0.26 0.17. Akurasi. 0.83. Data per 20 Juni 2011 hingga 28 Juni 2011.

No 1 2 3 4 5 6 7 Mean. PII 0.18 0.28 0.15 0.14 0.17 0.17 0.28 0.20. Akurasi. 0.80. Data per 20 Juni 2011 hingga 28 Juni 2011.

No 1 2 3 4 5 6 7 Mean Akura si. PI 0.16 0.14 0.18 0.17 0.22 0.14 0.18 0.17. PII 0.17 0.12 0.14 0.14 0.22 0.16 0.26 0.17. PII 0.18 0.28 0.15 0.14 0.17 0.17 0.28 0.20. 0.83. 0.83. 0.80. Data per 20 Juni 2011 hingga 28 Juni 2011.



. . 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%. Dalam penelitian ini pula, variabel kecepatan angin tidak berpengaruh secara signifikan, Hal ini dikarenakan sebaran data kecepatan angin yang bersifat acak dan rentang pengukuran yang kecil antara 0 hingga 5 m/s. 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..