View of Identification of Floods in Palembang Area Using Fuzzy Logic Method of Mamdani and Sugeno

(1)

JITE, 6 (2) January 2023 ISSN 2549-6247 (Print) ISSN 2549-6255 (Online)

JITE (Journal of Informatics and Telecommunication Engineering)

Available online http://ojs.uma.ac.id/index.php/jite DOI : 10.31289/jite.v6i2.8146

Received: 05 October 2022 Accepted: 17 January 2023 Published: 25 January 2023

Identification of Floods in Palembang Area Using Fuzzy Logic Method of Mamdani and Sugeno

Ade Sukmawati1)*, Lemi Iryani2), Pandi Adriansyah3), Lucky Indra Kesuma4) 1) Informatika, Ilmu Komputer, Universitas Sjakhyakirti, Indonesia

2,3,4) Sistem Informasi, Ilmu Komputer, Universitas Sjakhyakirti, Indonesia

*Coresponding Email: adesukmawati@unisti.ac.id Abstrak

Banjir merupakan salah satu peristiwa alam yang sering terjadi terutama di daerah yang memiliki banyak penduduk.

Palembang merupakan salah satu kota di Provinsi Sumatera yang sering mengalami banjir karena padatnya penduduk dan minimnya wilayah resapan. Salah satu cara untuk meningkatkan sikap siaga banjir ialah melakukan identifikasi banjir dengan memanfaatkan logika fuzzy. Penelitian ini bertujuan untuk melakukan identifikasi banjir di wilayah Palembang dengan menggunakan logika fuzzy metode mamdani dan sugeno. Identifikasi banjir dilakukan dengan 6 tahapan yaitu penentuan variabel, fuzzifikasi, inferensi, aplikasi aturan fuzzy, defuzzifikasi, dan evaluasi.

Variabel yang digunakan dalam penelitian ini ialah curah hujan, suhu, ketinggian daerah, dan hasil identifikasi banjir yang memiliki nilai yaitu banjir atau tidak banjir. Hasil identifikasi banjir yang dilakukan dengan menggunakan metode mamdani mencapai akurasi sebesar 82% sedangkan dengan metode sugeno mencapai akurasi sebesar 91%.

Hasil penelitian ini menunjukkan bahwa metode mamdani dan sugeno logika fuzzy cukup baik dalam melakukan identifikasi banjir sehingga dapat meningkatkan sikap siaga banjir.

Kata Kunci: Banjir, Logika Fuzzy, Mamdani, sugeno.

Abstract

Floods are one of the natural events that often occur, especially in areas that have a large population. Palembang is one of the cities in Sumatra Province which often experiences flooding due to its dense population and lack of infiltration areas. One way to improve flood preparedness is to identify floods by using fuzzy logic. This study aims to identify floods in the Palembang area using fuzzy logic mamdani and Sugeno methods. Flood identification is carried out in 6 stages, namely variable determination, fuzzification, inference, application of fuzzy rules, defuzzification, and evaluation. The variables used in this study are rainfall, temperature, area elevation, and the results of flood identification that have a value of flood or not flood. The results of flood identification using the Mamdani method achieved an accuracy of 82%

while the Sugeno method achieved an accuracy of 91%. The results of this study indicate that the mamdani and Sugeno fuzzy logic methods are quite good in identifying floods so that they can improve flood preparedness attitudes.

Keywords: Flood, Fuzzy Logic, Mamdani, Sugeno.

How to Cite: Sukmawati, A., Iryani, L., Adriansyah, P., & Kesuma, L. I. (2023). Identifikasi Banjir Wilayah Palembang Menggunakan Logika Fuzzy Metode Mamdani dan Sugeno. JITE (Journal of Informatics and Telecommunication Engineering), 6(2), 434-444.

I. PENDAHULUAN

Banjir merupakan salah satu peristiwa alam yang dapat terjadi karena menumpuknya air yang jatuh dan tidak dapat ditampung oleh tanah. Terjadinya peristiwa ini disebabkan oleh kurangnya daerah tangkapan terhadap air yang jatuh atau disebut juga tanah-tanah jenuh air (Yohana et al., 2017). Banjir termasuk salah satu peristiwa alam yang sering terjadi terutama di daerah yang memiliki banyak penduduk sehingga padat permukiman dan mengurangi lahan penyerapan air. Menurut Khaidir (Khaidir, 2019), ada beberapa faktor yang menjadi penyebab banjir yaitu kapasitas air sungai yang tidak mencukupi, penggundulan hutan, adanya endapan sedimen di muara sungai, dataran rendah, pembuangan sampah ke sungai, drainase yang tidak dirawat dan ukuran drainase yang tidak sesuai dengan debit air yang ditampung.

Salah satu kota besar di Provinsi Sumatera yang tidak terlepas dari bencana banjir ialah kota Palembang.

Hal ini disebabkan oleh curah hujan dan intensitas hujan yang tinggi terutama ketika musim penghujan serta pengaruh pasangnya air Sungai Musi. Pada tanggal 13 November 2018, hujan dengan intensitas tinggi di

(2)

435

Kota Palembang dengan durasi waktu lebih dari 6 jam membuat sebagia besar Kota Palembang digenangi banjir (Juliana et al., 2019). Salah satu cara untuk meningkatkan sikap siaga banjir adalah dengan mengidentifikasi apakah akan terjadi banjir atau tidak. Identifikasi banjir dapat dilakukan dengan menggunakan logika fuzzy.

Logika fuzzy digunakan karena memiliki kemampuan dalam memproses pola-pikir secara bahasa sehingga tidak menggunakan persamaan matematik yang rumit. Logika fuzzy memiliki toleransi terhadap data-data yang kurang tepat dan sangat fleksibel serta dapat berlandaskan pada bahasa alami. Beberapa metode logika fuzzy yang sering digunakan ialah metode mamdani dan sugeno (Dombi & Tóth-Laufer, 2020). Metode mamdani merupakan metode yang sering digunakan karena strukturnya yang sederhana (Nasir & Suprianto, 2017). Beberapa penelitian sebelumnya yang telah menggunakan metode mamdani antara lain yaitu penentuan minat studi pada fakultas sistem informasi (Fauzan Rozi & Purnomo, 2017) yang memberikan tingkat akurasi sebesar 95%, optimalisasi produksi minyak kelapa sawit di PT. Waru Kaltim (Wardani et al., 2017) dengan tingkat akurasi sebesar 83%, dan penentuan pembelian motor (Nasir

& Suprianto, 2017) dengan tingkat akurasi sebesar 83,88%. Selanjutnya, metode sugeno merupakan metode yang memiliki karakteristik yaitu konsekuen atau hasil bukan merupakan sebuah himpunan fuzzy, tetapi merupakan sebuah persamaan linear yang sesuai dengan variabel yang digunakan (Sitio, 2018). Beberapa penelitian sebelumnya yang telah menggunakan metode sugeno antara lain yaitu analisa spasial pemodelan banjir Kota Semarang (Nugraha, 2018) yang memiliki nilai validasi sebesar 84,84%, prediksi kebisingan pada lampu merah (Saleh et al., 2017) dengan tingkat kesalahan sebesar 5,68%, dan prediksi jumlah produksi (Khofifah Putriyani et al., 2021) dengan tingkat akurasi sebesar 82%.

Pada penelitian ini akan digunakan logika fuzzy dengan metode mamdani dan sugeno untuk melakukan identifikasi banjir berdasarkan empat variabel yaitu variabel curah hujan, suhu, ketinggian daerah, dan hasil identifikasi banjir. Variabel curah hujan, suhu, dan ketinggian daerah memiliki fungsi keanggotaannya masing-masing dalam tiga nilai linguistik yaitu rendah, sedang, dan tinggi sedangkan variabel identifikasi banjir hanya memiliki fungsi keanggotaan untuk dua nilai linguistik yaitu banjir dan tidak banjir. Jumlah aturan yang digunakan dalam logika fuzzy untuk mengidentifikasi banjir pada penelitian ini ialah sebanyak 27 aturan dan dilakukan dengan bantuan aplikasi Matlab.

II. METODE PENELITIAN

Metode dalam penelitian ini secara ringkas dapat dilihat pada Gambar 1 berikut.

Gambar 1 Metode Penelitian Identifikasi Banjir dengan Logika Fuzzy

Berdasarkan Gambar 1, metode dalam penelitian ini antara lain yaitu identifikasi data, fuzzifikasi, inferensi, aplikasi aturan fuzzy, defuzzifikasi, dan evaluasi. Adapun penjelasan masing-masing dari setiap langkah-langkah yang dilakukan adalah sebagai berikut.

(3)

A. Identifikasi Data

Identifikasi data berkaitan data yang digunakan dalam mengidentifikasi banjir. Terdapat dua jenis variabel yang digunakan yaitu variabel input sebagai masukan dan variabel output sebagai hasil atau keluaran. Variabel yang digunakan dalam penelitian ini ialah variabel curah hujan, suhu, dan ketinggian daerah sebagai variabel input dan variabel hasil identifikasi banjir sebagai variabel output. Range atau jangkauan nilai yang digunakan dalam setiap variabel tersebut dapat dilihat pada Tabel 1 (Sa’dan et al., 2019) berikut.

Tabel 1 Jangkauan Nilai dari Variabel

Variabel Nilai Linguistik Range

Curah Hujan Rendah [1, 100]

Sedang [100, 400]

Tinggi [350, 400]

Suhu Rendah [20, 25]

Sedang [20, 30]

Tinggi [25, 20]

Ketinggian Daerah Rendah [50, 80]

Sedang [50, 105]

Tinggi [80, 105]

Hasil Identifikasi Banjir Banjir [0.5, 1]

Tidak Banjir [0.5, 1]

B. Fuzzifikasi

Fuzzifikasi merupakan proses perubahan data masukan sistem yang mempunyai nilai numerik menjadi variabel bahasa. Dalam proses fuzzifikasi kita akan membentuk fungsi keanggotaan dari variabel input dan variabel output berdasarkan data (Sa’dan et al., 2019). Rumus yang digunakan dalam perhitungan fungsi keanggotaan bergantung dengan bentuk fungsi keanggotaan yang digunakan. Rumus perhitungan fungsi keanggotaan yang digunakan dalam penelitian ini dapat dilihat dalam persamaan (1) dan (2) berikut (Jain & Sharma, 2020).

𝜇_𝑎[𝑥] = {

1 𝑝 ≤ 𝑥 ≤ 𝑞 𝑟 − 𝑥

𝑟 − 𝑞 𝑞 ≤ 𝑥 < 𝑟 0 𝑥 ≥ 𝑟

(1)

𝜇𝑎[𝑥] =

{

0 𝑥 ≤ 𝑝 𝑎𝑡𝑎𝑢 𝑥 ≥ 𝑟 𝑥 − 𝑝

𝑞 − 𝑝 𝑝 < 𝑥 < 𝑞 𝑥 − 𝑞

𝑟 − 𝑞 𝑏 < 𝑥 < 𝑟 1 𝑥 = 𝑞

(2)

Pada persamaan (1) dan (2), lambang 𝜇𝑎[𝑥] berarti nilai keanggotaan suatu nilai 𝑥 dalam suatu tingkatan variabel dan 𝑝, 𝑞, 𝑑𝑎𝑛 𝑟 merupakan nilai batas yang digunakan dalam setiap fungsi keanggotaan yang dapat dilihat pada gambar fungsi keanggotaan.

C. Inferensi

Inferensi atau evaluasi aturan merupakan pembentukan aturan yang akan digunakan dalam proses perubahan input sistem yang mempunyai nilai numerik menjadi variabel bahasa. Operator yang dapat digunakan dalam aturan ialas AND atau OR. Persamaan aturan yang digunakan dalam penelitian ini dapat dilihat pada persamaan (3) (Chaudhary, 2019) berikut.

𝐼𝐹 𝑘𝑜𝑛𝑑𝑖𝑠𝑖1 𝐴𝑁𝐷 𝑘𝑜𝑛𝑑𝑖𝑠𝑖2 𝐴𝑁𝐷 𝑘𝑜𝑛𝑑𝑖𝑠𝑖3 𝑇𝐻𝐸𝑁 𝑘𝑒𝑠𝑖𝑚𝑝𝑢𝑙𝑎𝑛 (3) Pada persamaan (3), AND merupakan operator antara kondisi dari setiap variabel yang digunakan dan THEN menunjukkan hasil atau akibat dari aturan yang digunakan.

(4)

437 D. Aplikasi Aturan Fuzzy

Aplikasi aturan fuzzy dilakukan dengan menerapkan aturan-aturan yang telah dibentuk sebelumnya pada proses inferensi terhadap data. Jika pada aturan menggunakan operator AND maka akan menggunakan operasi MIN namun jika pada aturan menggunakan operator OR maka akan menggunakan operasi MAX (Irsan et al., 2019). Aturan yang digunakan pada penelitian ini menggunakan operator AND maka persamaan aplikasi aturan fuzzy pada penelitian ini dapat dilihat pada persamaan (4) (Thaker & Nagori, 2018) berikut.

𝛼_{𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡}= 𝜇_𝑝[𝑥] ∩ 𝜇_𝑞[𝑥] ∩ 𝜇_𝑟[𝑥] = min [𝜇_𝑝[𝑥]; 𝜇_𝑞[𝑥]; 𝜇_𝑟[𝑥]] (4) Pada persamaan (4), 𝛼𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡 merupakan nilai terkecil dari setiap nilai fungsi keanggotaan dari 𝑥 pada setiap variabel, 𝜇𝑝[𝑥] merupakan nilai keanggotaan suatu nilai 𝑥 dalam variabel 𝑝, 𝜇𝑞[𝑥] merupakan nilai keanggotaan suatu nilai 𝑥 dalam variabel 𝑞, 𝜇𝑟[𝑥] merupakan nilai keanggotaan suatu nilai 𝑥 dalam variabel 𝑟, dan min merupakan operator untuk mencari nilai terkecil dari setiap setiap nilai fungsi keanggotaan dari 𝑥 pada setiap variabel.

E. Defuzzifikasi

Defuzzifikasi adalah suatu proses mengubah output fuzzy yang didapat dari evaluasi aturan atau inferensi menjadi nilai numerik dengan menggunakan nilai keanggotaan yang sesuai dengan saat dilakukan fuzzifikasi (Sulistyowati & Millah, 2021). Defuzzifikasi merupakan proses penegasan dari nilai fuzzy ke nilai crispatau tegas (Chakraborty et al., 2019). Pada proses ini, input yang dimasukkan merupakan suatu himpunan fuzzy sedangkan output yang akan dihasilkan pada proses ini ialah suatu nilai crisp tertentu (Doni

& Rahman, 2020). Pada penelitian ini, proses defuzzifikasi pada metode mamdani akan menggunakan metode centroid yang menggunakan persamaan (5) sedangkan proses defuzzifikasi pada metode sugeno akan menggunakan metode average yang menggunakan persamaan (6) (Irsan et al., 2019).

𝑧^∗=∫ 𝑧𝜇(𝑧)𝑑𝑧 → 𝑀𝑜𝑚𝑒𝑛

∫ 𝜇(𝑧) 𝑑𝑧 → 𝐿𝑢𝑎𝑠 (5) 𝑧^∗=∑ 𝛼𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡𝑛 _𝑖𝑧𝑖

𝑖

∑ 𝛼𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡^𝑛_𝑖 _𝑖 (6)

F. Evaluasi

Evaluasi akan dilakukan dengan mengukur tingkat akurasi hasil defuzzifikasi dengan metode mamdani dan sugeno. Tingkat akurasi akan diukur dengan membandingkan jumlah jumlah prediksi yang salah terhadap keseluruhan data pada setiap masing-masing hasil hasil defuzzifikasi dengan metode mamdani dan sugeno. Persamaan yang digunakan untuk mengukur tingkat akurasi dapat dilihat pada persamaan (7) (Adelia et al., 2021) berikut.

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = (𝑛 − 𝑦)

𝑛 × 100% (7) Pada persamaan (10), 𝑛 merupakan jumlah keseluruhan data dan 𝑦 merupakan jumlah kesalahan yang terjadi.

III. HASIL DAN PEMBAHASAN

A. Fuzzifikasi

Pada tahap fuzzifikasi dibentuk fungsi keanggotaan dari setiap variabel yang digunakan yaitu curah hujan, suhu, ketinggian daerah, dan hasil identifikasi banjir. Fungsi keanggotaan pada variabel curah hujan dapat dilihat pada Gambar 2 berikut.

(5)

Gambar 2 Fungsi Keanggotaan Variabel Curah Hujan

Berdasarkan Gambar 2, persamaan fungsi keanggotaan variabel curah hujan yang terbentuk dapat dilihat pada persamaan (8), (9), dan (10) berikut.

𝜇𝐶𝐻𝑟𝑒𝑛𝑑𝑎ℎ[𝑥] = {

1 ; 𝑥 ≤ 100

350−𝑥

250 ; 100 ≤ 𝑥 ≤ 350 0 ; 𝑥 ≥ 350

(8)

𝜇𝐶𝐻𝑠𝑒𝑑𝑎𝑛𝑔[𝑥] = {

0 ; 𝑥 ≤ 100 𝑎𝑡𝑎𝑢 𝑥 ≥ 400

𝑥−100

250 ; 100 ≤ 𝑥 ≤ 350

400−𝑥

50 ; 350 ≤ 𝑥 ≤ 400

(9)

𝜇_{𝐶𝐻𝑡𝑖𝑛𝑔𝑔𝑖}[𝑥] = {

0 ; 𝑥 ≤ 350 400 − 𝑥

50 ; 350 ≤ 𝑥 ≤ 400 1 ; 𝑥 ≥ 400

(10)

Pada persamaan (8), (9), dan (10), 𝜇𝐶𝐻𝑟𝑒𝑛𝑑𝑎ℎ[𝑥] merupakan nilai keanggotaan dari 𝑥 pada variabel curah hujan pada tingkat rendah, 𝜇𝐶𝐻𝑠𝑒𝑑𝑎𝑛𝑔[𝑥] merupakan nilai keanggotaan dari 𝑥 pada variabel curah hujan pada tingkat sedang, dan 𝜇𝐶𝐻𝑡𝑖𝑛𝑔𝑔𝑖[𝑥] merupakan nilai keanggotaan dari 𝑥 pada variabel curah hujan pada tingkat tinggi. Selanjutnya, fungsi keanggotaan pada variabel suhu dapat dilihat pada Gambar 3 berikut.

Gambar 3 Fungsi Keanggotaan Variabel Suhu

Berdasarkan Gambar 3, persamaan fungsi keanggotaan variabel suhu yang terbentuk dapat dilihat pada persamaan (11), (12), dan (13) berikut.

𝜇_{𝑆𝐻𝑟𝑒𝑛𝑑𝑎ℎ}[𝑥] = {

1 ; 𝑥 ≤ 20 25 − 𝑥

5 ; 20 ≤ 𝑥 ≤ 25 0 ; 𝑥 ≥ 25

(11)

(6)

439

𝜇_{𝑆𝐻𝑠𝑒𝑑𝑎𝑛𝑔}[𝑥] =

{

0 ; 𝑥 ≤ 20 𝑎𝑡𝑎𝑢 𝑥 ≥ 30 𝑥 − 20

5 ; 20 ≤ 𝑥 ≤ 25 30 − 𝑥

5 ; 25 ≤ 𝑥 ≤ 30

(12)

𝜇_{𝑆𝐻𝑡𝑖𝑛𝑔𝑔𝑖}[𝑥] = {

0 ; 𝑥 ≤ 25 𝑥 − 25

5 ; 25 ≤ 𝑥 ≤ 30 1 ; 𝑥 ≥ 30

(13)

Pada persamaan (11), (12), dan (13), 𝜇𝑆𝐻𝑟𝑒𝑛𝑑𝑎ℎ[𝑥] merupakan nilai keanggotaan dari 𝑥 pada variabel suhu pada tingkat rendah, 𝜇𝑆𝐻𝑠𝑒𝑑𝑎𝑛𝑔[𝑥] merupakan nilai keanggotaan dari 𝑥 pada variabel suhu pada tingkat sedang, dan 𝜇𝑆𝐻𝑡𝑖𝑛𝑔𝑔𝑖[𝑥] merupakan nilai keanggotaan dari 𝑥 pada variabel suhu pada tingkat tinggi.

Selanjutnya, fungsi keanggotaan pada variabel ketinggian daerah dapat dilihat pada Gambar 4 berikut.

Gambar 4 Fungsi Keanggotaan Variabel Ketinggian Daerah

Berdasarkan Gambar 4, persamaan fungsi keanggotaan variabel ketinggian daerah yang terbentuk dapat dilihat pada persamaan (14), (15), dan (16) berikut.

𝜇𝐾𝐷𝑟𝑒𝑛𝑑𝑎ℎ[𝑥] = {

1 ; 𝑥 ≤ 50

80−𝑥

30 ; 50 ≤ 𝑥 ≤ 80 0 ; 𝑥 ≥ 80

(14)

𝜇𝐾𝐷𝑠𝑒𝑑𝑎𝑛𝑔[𝑥] = {

0 ; 𝑥 ≤ 50 𝑎𝑡𝑎𝑢 𝑥 ≥ 105

𝑥−50

30 ; 50 ≤ 𝑥 ≤ 80

105−𝑥

25 ; 80 ≤ 𝑥 ≤ 105

(15)

𝜇_{𝐾𝐷𝑡𝑖𝑛𝑔𝑔𝑖}[𝑥] = {

0 ; 𝑥 ≤ 80 𝑥 − 80

25 ; 80 ≤ 𝑥 ≤ 105 1 ; 𝑥 ≥ 105

(16)

Pada persamaan (14), (15), dan (16), 𝜇𝐾𝐷𝑟𝑒𝑛𝑑𝑎ℎ[𝑥] merupakan nilai keanggotaan dari 𝑥 pada variabel ketinggian daerah pada tingkat rendah, 𝜇𝐾𝐷𝑠𝑒𝑑𝑎𝑛𝑔[𝑥] merupakan nilai keanggotaan dari 𝑥 pada variabel ketinggian daerah pada tingkat sedang, dan 𝜇𝐾𝐷𝑡𝑖𝑛𝑔𝑔𝑖[𝑥] merupakan nilai keanggotaan dari 𝑥 pada variabel ketinggian daerah pada tingkat tinggi. Selanjutnya, fungsi keanggotaan pada variabel hasil identifikasi banjir dapat dilihat pada Gambar 5 berikut.

(7)

Gambar 5 Fungsi Keanggotaan Variabel Hasil Identifikasi Banjir

Berdasarkan Gambar 5, persamaan fungsi keanggotaan variabel hasil identifikasi banjir yang terbentuk dapat dilihat pada persamaan (17) dan (18) berikut.

𝜇𝑇𝐵[𝑥] = {

1 ; 𝑥 ≤ 0,5

1−𝑥

0,5 ; 0,5 ≤ 𝑥 ≤ 1 0 ; 𝑥 ≥ 1

(17)

𝜇𝐵[𝑥] = {

0 ; 𝑥 ≤ 0,5

𝑥−0,5

0,5 ; 0,5 ≤ 𝑥 ≤ 1 1 ; 𝑥 ≥ 1

(18) Pada persamaan (17) dan (18), 𝜇𝑇𝐵[𝑥] merupakan nilai keanggotaan dari 𝑥 pada variabel hasil identifikasi banjir dengan kemungkinan tidak banjir dan 𝜇𝐵[𝑥] merupakan nilai keanggotaan dari 𝑥 pada variabel hasil identifikasi banjir dengan kemungkinan banjir.

B. Inferensi

Pada tahap inferensi, akan dibentuk aturan yang akan digunakan dalam proses perubahan input sistem yang awalnya berupa nilai numerik menjadi variabel bahasa. Pada penelitian ini, aturan yang digunakan adalah sebagai berikut :

1. IF CH Tinggi AND SH Rendah AND KD Tinggi THEN Tidak Banjir 2. IF CH Tinggi AND SH Rendah AND KD Sedang THEN Banjir 3. IF CH Tinggi AND SH Rendah AND KD Rendah THEN Banjir 4. IF CH Tinggi AND SH Sedang AND KD Tinggi THEN Tidak Banjir 5. IF CH Tinggi AND SH Sedang AND KD Sedang THEN Banjir 6. IF CH Tinggi AND SH Sedang AND KD Rendah THEN Banjir 7. IF CH Tinggi AND SH Tinggi AND KD Tinggi THEN Tidak Banjir 8. IF CH Tinggi AND SH Tinggi AND KD Sedang THEN Banjir 9. IF CH Tinggi AND SH Tinggi AND KD Rendah THEN Banjir 10. IF CH Sedang AND SH Rendah AND KD Tinggi THEN Tidak Banjir 11. IF CH Sedang AND SH Rendah AND KD Sedang THEN Tidak Banjir 12. IF CH Sedang AND SH Rendah AND KD Rendah THEN Banjir 13. IF CH Sedang AND SH Sedang AND KD Tinggi THEN Tidak Banjir 14. IF CH Sedang AND SH Sedang AND KD Sedang THEN Tidak Banjir 15. IF CH Sedang AND SH Sedang AND KD Rendah THEN Banjir 16. IF CH Sedang AND SH Tinggi AND KD Tinggi THEN Tidak Banjir 17. IF CH Sedang AND SH Tinggi AND KD Sedang THEN Tidak Banjir 18. IF CH Sedang AND SH Tinggi AND KD Rendah THEN Banjir 19. IF CH Rendah AND SH Rendah AND KD Tinggi THEN Tidak Banjir 20. IF CH Rendah AND SH Rendah AND KD Sedang THEN Tidak Banjir 21. IF CH Rendah AND SH Rendah AND KD Rendah THEN Tidak Banjir 22. IF CH Rendah AND SH Sedang AND KD Tinggi THEN Tidak Banjir 23. IF CH Rendah AND SH Sedang AND KD Sedang THEN Tidak Banjir 24. IF CH Rendah AND SH Sedang AND KD Rendah THEN Tidak Banjir 25. IF CH Rendah AND SH Tinggi AND KD Tinggi THEN Tidak Banjir

(8)

441

26. IF CH Rendah AND SH Tinggi AND KD Sedang THEN Tidak Banjir 27. IF CH Rendah AND SH Tinggi AND KD Rendah THEN Tidak Banjir

Adapun keterangan dari aturan-aturan yang digunakan ialah CH merupakan curah hujan, SH merupakan suhu, dan KD merupakan ketinggian daerah.

C. Aplikasi Aturan Fuzzy

Pada tahap aplikasi aturan fuzzy ditentukan nilai 𝛼𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡 pada setiap aturan yang digunakan. Jika pada aturan menggunakan AND maka akan menggunakan operasi MIN namun jika pada aturan menggunakan OR maka akan menggunakan operasi MAX (Irsan et al., 2019). Contoh perhitungan pada proses aplikasi aturan fuzzy adalah sebagai berikut

[R1] IF CH Tinggi AND SH Rendah AND KD Tinggi THEN Tidak Banjir

𝛼_{𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡} = 𝜇_{𝐶𝐻𝑡𝑖𝑛𝑔𝑔𝑖}[𝑥] ∩ 𝜇_{𝑆𝐻𝑟𝑒𝑛𝑑𝑎ℎ}[𝑥] ∩ 𝜇_{𝐾𝐷𝑡𝑖𝑛𝑔𝑔𝑖}[𝑥]

= min[𝜇_{𝐶𝐻𝑡𝑖𝑛𝑔𝑔𝑖} (330); 𝜇_{𝑆𝐻𝑟𝑒𝑛𝑑𝑎ℎ} (26,9); 𝜇_{𝐾𝐷𝑡𝑖𝑛𝑔𝑔𝑖}(55)]

= min[ 0; 0; 0]

𝛼_{𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡} = 0

Berdasarkan proses perhitungan tersebut didapatkan nilai 𝛼𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡dari data dengan menggunakan aturan yang pertama. 𝜇𝐶𝐻𝑡𝑖𝑛𝑔𝑔𝑖[𝑥] merupakan nilai keanggotaan dari 𝑥 pada variabel curah hujan di tingkat tinggi, 𝜇𝑆𝐻𝑟𝑒𝑛𝑑𝑎ℎ[𝑥] merupakan nilai keanggotaan dari 𝑥 pada variabel suhu di tingkat rendah, dan 𝜇𝐾𝐷𝑡𝑖𝑛𝑔𝑔𝑖[𝑥] merupakan nilai keanggotaan dari 𝑥 pada variabel ketinggian daerah di tingkat tinggi. Proses perhitungan yang sama juga dilakukan pada setiap aturan yang digunakan agar dapat memperoleh nilai 𝛼𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡dari data dengan seluruh aturan yang digunakan.

D. Defuzzifikasi

1. Metode Mamdani

Defuzzifikasi merupakan tahap perhitungan untuk hasil yang tegas. Pada penelitian ini dilakukan proses defuzzifikasi dengan metode mamdani menggunakan persamaan (5) terhadap data tes sebanyak 11 data. Kemudian diukur tingkat akurasi dengan melakukan perbandingan hasil aktual dengan hasil defuzzifikasi dengan metode mamdani dapat dilihat pada Tabel 2 berikut.

Tabel 2 Perbandingan Hasil Aktual dan Metode Mamdani Curah

Hujan (mm)

Suhu

(Celcius) Ketinggian Daerah (Mdpl)

Hasil Aktual Hasil Metode Mamdani

212 26,9 8 Banjir Tidak Banjir

330 26,9 55 Banjir Banjir

124 28,7 8 Tidak Banjir Tidak Banjir

413 29 8 Tidak Banjir Tidak Banjir

(9)

Berdasarkan Tabel 1 dapat dilihat bahwa dari 11 data tes yang diuji terdapat dua data yang memiliki perbedaan antara hasil aktual dan hasil metode mamdani, sehingga tingkat akurasi dari metode mamdani adalah sebagai berikut.

Akurasi =⁽¹¹⁻²⁾

11 𝑥 100%

= 9

11 𝑥 100%

= 0,82 𝑥 100%

Akurasi = 82%

B. Metode Sugeno

Pada metode sugeno juga dilakukan proses deffuzzifikasi dengan menggunakan persamaan (6) terhadap 11 data tes. Kemudian, dilakukan juga perbandingan hasil aktual dengan hasil yang didapatkan pada metode sugeno. Perbandingan hasil aktual dengan hasil defuzzifikasi dengan metode sugeno dapat dilihat pada Tabel 3 berikut.

Tabel 3 Perbandingan Hasil Aktual dan Metode Sugeno Curah

Hujan (mm)

Suhu

(Celcius) Ketinggian

Daerah (Mdpl) Hasil Aktual Hasil Metode Sugeno

413 29 8 Tidak Banjir Tidak Banjir

Berdasarkan Tabel 2 dapat dilihat bahwa dari 11 data tes yang diuji terdapat satu data yang memiliki perbedaan antara hasil aktual dan hasil metode sugeno, sehingga tingkat akurasi dari metode mamdani adalah sebagai berikut.

Akurasi =⁽¹¹⁻¹⁾

11 𝑥 100%

=10

11 𝑥 100%

= 0,91 𝑥 100%

Akurasi = 91%

Selanjutnya, diukur perbandingan antara tingkat akurasi yang diperoleh pada defuzzifikasi dengan metode mamdani dan defuzzifikasi dengan metode sugeno. Perbandingan tingkat akurasi pada kedua metode tersebut dapat dilihat pada Gambar 7 berikut.

(10)

443

Gambar 6 Perbandingan Tingkat Akurasi

Berdasarkan Gambar 6 dapat dilihat bahwa tingkat akurasi yang diperoleh pada hasil proses defuzzifikasi dengan metode sugeno memiliki hasil yang lebih baik yaitu sebesar 91% daripada tingkat akurasi yang diperoleh pada hasil proses defuzzifikasi dengan metode mamdani hanya sebesar 82%. Hal ini menunjukkan bahwa tingkat akurasi pada hasil proses defuzzifkasi dengan metode sugeno memiliki nilai yang 9% lebih tinggi daripada hasil proses defuzzifikasi dengan metode sugeno. Selain itu, dapat diketahui juga bahwa tingkat kesalahan atau error pada hasil proses defuzzifikasi dengan metode mamdani mencapai sebesar 18% sedangkan tingkat kesalahan pada hasil proses deffuzifikasi dengan metode sugeno hanya sebesar 9%, hal ini menunjukkan bahwa tingkat kesalahan pada hasil proses defuzzifikasi dengan metode mamdani ialah dua kali lipat dari tingkat kesalahan dengan metode sugeno. Pada penelitian ini hanya menggunakan metode mamdani dan sugeno dalam menerapkan logika fuzzy untuk melakukan identifikasi banjir.

IV. SIMPULAN

Berdasarkan hasil dari penelitian yang dilakukan dapat dilihat bahwa proses identifikasi banjir menggunakan logika fuzzy berdasarkan empat variabel yang digunakan yang terdiri dari tiga variabel input yaitu variabel curah hujan, suhu, dan ketinggian daerah dan satu variabel output yaitu hasil identifikasi banjir dengan setiap variabel memiliki fungsi keanggotaannya masing-masing memiliki hasil yang baik. Hal ini terbukti pada proses defuzzifikasi dengan metode mamdani hanya terdapat dua kesalahan sedangkan dengan metode sugeno hanya terdapat satu kesalahan dari 11 data yang digunakan. Pada hasil penelitian ini dapat dilihat bahwa dari kedua metode yang digunakan yaitu metode mamdani dan sugeno, metode sugeno memiliki hasil defuzzifikasi dengan tingkat akurasi yang lebih tinggi daripada tingkat akurasi pada proses defuzzifikasi pada metode mamdani serta tingkat kesalahan pada proses defuzzifikasi dengan metode sugeno memiliki nilai yang lebih rendah daripada tingkat kesalahan yang diperoleh dengan metode mamdani.

DAFTAR PUSTAKA

Adelia, A., Gantini, T., & Kurniawan, V. (2021). Analisis Soal Computer Based Test untuk Tes Potensi Akademik dan Biologi Manusia. Jurnal Teknik Informatika Dan Sistem Informasi, 7(3), 643–654.

https://doi.org/10.28932/jutisi.v7i3.4027

Chakraborty, A., Mondal, S. P., Alam, S., Ahmadian, A., Senu, N., De, D., & Salahshour, S. (2019). The Pentagonal Fuzzy Number: Its Different Representations, Properties, Ranking, Defuzzification and Application in Game Problems. Symmetry, 11(2), 248. https://doi.org/10.3390/sym11020248

Chaudhary, A. (2019). Mamdani and Sugeno Fuzzy Inference Systems Comparison for Detection of Packet Dropping Attack in Mobile Ad Hoc Networks. In Advances in Intelligent Systems and Computing (Vol.

814). Springer Singapore. https://doi.org/10.1007/978-981-13-1501-5_70

Dombi, J., & Tóth-Laufer, E. (2020). Reducing the Computational Requirements in The Mamdani-Type Fuzzy Control. Acta Polytechnica Hungarica, 17(3), 25–41. https://doi.org/10.12700/aph.17.3.2020.3.2

75 80 85 90 95

Mamdani Sugeno

Tingkat Akurasi

Metode

Perbandingan Tingkat Akurasi pada

Metode Mamdani dan Sugeno

(11)

Doni, R., & Rahman, M. (2020). Sistem Monitoring Tanaman Hidroponik Berbasis Iot (Internet of Thing) Menggunakan Nodemcu ESP8266. J-SAKTI (Jurnal Sains Komputer Dan Informatika), 4(2), 516–522.

http://tunasbangsa.ac.id/ejurnal/index.php/jsakti/article/view/243

Fauzan Rozi, A., & Purnomo, A. S. (2017). Rekomendasi Pemilihan Minat Studi Menggunakan Metode Mamdani Studi Kasus : Program Studi Sistem Informasi FTI UMBY. Informatics Journal, 2(3), 138–147.

Irsan, M. Y. T., Kasau, M. I., & Simbolon, I. P. (2019). Penggunaan Fuzzy Logic & Metode Mamdani untuk Menghitung Pembelian, Penjualan dan Persediaan. JAAF (Journal of Applied Accounting and Finance), 3(1), 37. https://doi.org/10.33021/jaaf.v3i1.677

Jain, A., & Sharma, A. (2020). Membership Function Formulation Methods for Fuzzy Logic Systems: a Comprehensive Review. Critical Reviews, 7(19), 2020.

Juliana, I. C., Ilmiaty, R. S., Yuono, A. L., Muharomah, R., & Gunawan, T. A. (2019). Penyuluhan Dan Pendampingan Manajemen Kesiapsiagaan Bencana Banjir Pada Warga Masyarakat Kelurahan Gandus Kota Palembang. Prosiding Applicable Innovation of Engineering and Science Research, 2019, 935–943.

Khaidir, I. (2019). Mitigasi Bencana Banjir untuk Mengurangi Dampak Terhadap Lingkungan dan Kehidupan Sosial Masyarakat. Jurnal REKAYASA, 08(02), 154–160.

Khofifah Putriyani, Wahyuningrum, T., & Dwi Prasetyo, Y. (2021). Prediksi Jumlah Produksi Akibat Penyebaran Covid-19 Menggunakan Metode Fuzzy Takagi-Sugeno. Rekayasa Sistem Dan Teknologi Informasi, 5(2), 220–230. https://doi.org/10.29207/resti.v5i2.2973

Nasir, J., & Suprianto, J. (2017). Analisis Fuzzy Logic Menentukan Pemilihan Motor Honda dengan Metode Mamdani. Edik Informatika, 3(2), 177–186. https://doi.org/10.22202/ei.2017.v3i2.1962

Nugraha, A. L. (2018). Peningkatan Akurasi dan Presisi Analisa Spasial Pemodelan Banjir Kota Semarang Menggunakan Kombinasi Sistem Informasi Geografis Dan Metode Logika Fuzzy. Teknik, 39(1), 16–24.

https://doi.org/10.14710/teknik.v39n1.16524

Sa’dan, A., Haryanto, H., Astuti, S., & Rahayu, Y. (2019). Agen Cerdas Berbasis Fuzzy Tsukamoto pada Sistem Prediksi Banjir. Eksplora Informatika, 8(2), 104–111. https://doi.org/10.30864/eksplora.v8i2.154 Saleh, A., Fujiati, F., Rosnelly, R., Puspita, K., & Sanjaya, A. (2017). A Comparison of Mamdani and Sugeno

Method for Optimization Prediction of Traffic Noise Levels. 2017 5th International Conference on Cyber and IT Service Management. https://doi.org/10.1109/CITSM.2017.8089310

Sitio, S. L. M. (2018). Penerapan Fuzzy Inference System Sugeno untuk Menentukan Jumlah Pembelian Obat (Studi Kasus: Garuda Sentra Medika). Informatika Universitas Pamulang, 3(2), 104.

https://doi.org/10.32493/informatika.v3i2.1522

Sulistyowati, R. A., & Millah, N. (2021). Penerapan Metode Fuzzy Tsukamoto untuk Mengidentifikasi Banjir Berdasarkan Curah Hujan dan Suhu di Kota Balikpapan pada Tahun 2015 sampai 2019. 5(2), 130–138.

Thaker, S., & Nagori, V. (2018). Analysis of Fuzzification Process in Fuzzy Expert System. Procedia Computer Science, 132, 1308–1316. https://doi.org/10.1016/j.procs.2018.05.047

Wardani, A. R., Nasution, Y. N., & Aijaya, F. D. T. (2017). Aplikasi Logika Fuzzy dalam Mengoptimalkan Produksi Minyak Kelapa Sawit di Pt. Waru Kaltim Plantation Menggunakan Metode Mamdani.

Informatika Mulawarman, 12(2), 94–103.

Yohana, C., Griandini, D., & Muzambeq, S. (2017). Penerapan Pembuatan Teknik Lubang Biopori Resapan Sebagai Upaya Pengendali Banji. Jurnal Pemberdayaan Masyarakat Mad Ani (JPMM), 1(2), 296–308.