OPTIMASI FUNGSI KEANGGOTAAN FUZZY INFERENCE
SYSTEM TSUKAMOTO DENGAN PARTICLE SWARM
OPTIMIZATION UNTUK PREDIKSI CUACA DI PALEMBANG
Diajukan Sebagai Syarat Untuk Menyelesaikan Pendidkan Program Strata-1 Pada
Jurursan Teknik Informatika
Oleh:
Afrilia
NIM : 09021181520029
JURUSAN TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER UNIVERSITAS SRIWIJAYA 2019
v
KATA PENGANTAR
Bismillahirrahmanir rahiim
Puji syukur kepada Allah atas berkat dan rahmat-Nya yang telah diberikan kepada Penulis sehingga dapat menyelesaikan Tugas Akhir ini dengan baik. Tugas akhir ini disusun untuk memenuhi salah satu syarat guna menyelesaikan pendidikan program Strata-1 pada Fakultas Ilmu Komputer Program Studi Teknik Informatika di Universitas Sriwijaya.
Dalam menyelesaikan Tugas Akhir ini banyak pihak yang telah memberikan bantuan dan dukungan baik secara langsung maupun secara tidak langsung. Penulis ingin menyampaikan rasa terima kasih kepada:
1. Orang tuaku, Farid Maida dan Nurmaini, mbakku, Nety Nurda, kakakku, Zakaria, serta seluruh keluarga besarku yang selalu mendokan serta memberikan dukungan baik moril maupun materil.
2. Bapak Jaidan Jauhari, M.T selaku Dekan Fakultas Ilmu Komputer Universitas Sriwijaya, Bapak Rifkie Primartha, M.T selaku Ketua Jurusan Teknik Informatika dan Ibu Hardini Novianti, M.T selaku Sekretaris Jurusan Teknik Informatika. 3. Ibu Dian Palupi Rini, M.Kom., Ph.D selaku dosen pembimbing I dan Bapak Kanda Januar Miraswan, M.T selaku pembimbing II, yang telah membimbing, mengarahkan dan memberikan motivasi penulis dalam proses perkuliahan dan pengerjaan Tugas Akhir.
4. Bapak Yoppy Sazaki, M.T selaku dosen pembimbing akademik, yang telah membimbing, mengarahkan dan memberikan motivasi penulis dalam proses perkuliahan dan pengerjaan Tugas Akhir.
5. Bapak Samsuryadi, M.Kom., Ph.D selaku dosen penguji I, dan Ibu Alvi Syahrini Utammi, M.Kom selaku dosen penguji II yang telah memberikan masukan dan dorongan dalam proses pengerjaan Tugas Akhir.
6. Seluruh dosen Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas Sriwijaya.
7. Kak Ricky serta seluruh staf tata usaha yang telah membantu dalam kelancaran proses administrasi dan akademik selama masa perkuliahan.
8. Melani Puspa Sari dan Nadiya Fahada serta seluruh teman-teman jurusan Teknik Informatika yang telah saling berbagi selama masa perkuliahan ini.
9. BPH HMIF yang telah memberikan ruang bagi Penulis untuk berprestasi dan berkarya.
Penulis menyadari dalam penyusunan Tugas Akhir ini masih terdapat banyak kekurangan disebabkan keterbatasan pengetahuan dan pengalaman, oleh karena itu kritik dan saran yang membangun sangat diharapkan untuk kemajuan penelitian selanjutnya. Akhir kata semoga Tugas Akhir ini dapat berguna dan bermanfaat bagi kita semua.
Indralaya, Agustus 2019
vi
DAFTAR ISI
Halaman
HALAMAN JUDUL ... i
LEMBAR PENGESAHAN TUGAS AKHIR ... ii
TANDA LULUS UJIAN SIDANG TUGAS AKHIR ... iii
MOTTO DAN PERSEMBAHAN ... iv
HALAMAN PERNYATAAN ... v
ABSTRACT ... vi
ABSRAK ... vii
KATA PENGANTAR ... viii
DAFTAR TABEL ... xiv
DAFTAR GAMBAR ... xvii
DAFTAR LAMPIRAN ... xxi
BAB I PENDAHULUAN
1.1 Pendahuluan ... I-1 1.2 Latar Belakang Masalah ... I-1 1.3 Rumusan Masalah ... I-4 1.4 Tujuan Penelitian ... I-5 1.5 Manfaat Penelitian ... I-5 1.6 Batasan Masalah ... I-6 1.7 Sistematika Penulisan ... I-6 1.8 Kesimpulan ... I-7
BAB II KAJIAN LITERATUR
2.1 Pendahuluan ... II-1 2.2 Landasan Teori ... II-1 2.2.1 Cuaca ... II-1 2.2.1.1 Suhu Udara ... II-2
vii
2.2.1.2 Kelembaban Udara ... II-2 2.2.1.3 Tekanan Udara ... II-3 2.2.1.4 Kecepatan Angin ... II-4 2.2.2 Logika Fuzzy ... II-4 2.2.2.1 Himpunan Fuzzy ... II-5 2.2.2.2 Fungsi Keanggotaan ... II-6 2.2.2.3 Operator Fuzzy ... II-13 2.2.2.4 Fuzzy Inference System Tsukamoto ... II-14 2.2.3 Particle Swarm Optimization ... II-17 2.2.4 Evaluasi ... II-24 2.2.5 Rational Unified Process (RUP) ... II-24 2.3 Penelitian lain yang Relevan ... II-27 2.3.1 Analisis Perbandingan Metode Tsukamoto dan Mamdani dalam
Optimasi Produksi Barang ... II-27 2.3.2 Autonomous Robot Path Planning MenggunakanPerbandingan
Metode Particle Swarm Optimization dan Genetic Algorithm ... II-28 2.3.3 Penilaian Kinerja Dosen dengan Menggunakan Metode Sugeno ... II-28 2.3.4 Optimization of FIS Tsukamoto using Particle Swarm Optimization
for Dental Disease Identification ... II-29 2.3.5 Optimasi Fungsi Keanggotaan Fuzzy Inference System Tsukamoto
dengan Particle Swarm Optimization pada Penentuan Jumlah
Produksi Gula (Studi Kasus : Pabrik Gula Kebonabung Malang) ... II-29 2.4 Kesimpulan ... II-30
BAB III METODOLOGI PENELITIAN
3.1 Pendahuluan ... III-1 3.2 Unit Penelitian ... III-1 3.3 Pengumpulan Data ... III-1 3.3.1 Jenis dan Sumber Data ... III-1 3.3.2 Metode Pengumpulan Data ... III-2 3.4 Tahapan Penelitian ... III-2
viii
3.4.1 Menetapkan Kerangka Kerja... III-3 3.4.2 Menetapkan Kriteria Pengujian... III-3 3.4.3 Menetapkan Format Data Pengujian ... III-4 3.4.4 Menentukan Alat yang Digunakan dalam Pelaksanaan Penelitian ... III-4 3.4.5 Melakukan Pengujian Penelitian ... III-5 3.4.6 Melakukan Analisa Hasil Pengujian dan Membuat Kesimpulan
Penelitian ... III-5 3.5 Metode Pengembangan Perangkat Lunak ... III-6 3.5.1 Rational Unified Process (RUP) ... III-6 3.5.1.1 Fase Insepsi ... III-7 3.5.1.2 Fase Elaborasi ... III-7 3.5.1.3 Fase Konstruksi ... III-8 3.5.1.4 Fase Transisi ... III-8 3.6 Manajemen Proyek Penelitian... III-9 3.7 Kesimpulan ... III-25
BAB IV PENGEMBANGAN PERANGKAT LUNAK
4.1 Pendahuluan ... IV-1 4.2 Rasional Unified Process (RUP) ... IV-1 4.2.1 Fase Insepsi ... IV-1 4.2.1.1 Pemodelan Bisnis ... IV-1 4.2.1.2 Kebutuhan Sistem ... IV-2 4.2.1.3 Analisis dan Desain ... IV-3 4.2.1.3.1 Analisis Kebutuhan Perangkat Lunak ... IV-4 4.2.1.3.2 Analisis Data ... IV-4 4.2.1.3.3 Analisis Pembangkitan Partikel dan Kecepatan Partikel ... IV-12 4.2.1.3.4 Analisis Fuzzifikasi ... IV-16 4.2.1.4.5 Analisis Inferensi ... IV-20 4.2.1.3.6 Analisis Defuzzifikasi ... IV-27 4.2.1.4.7 Analisis Proses Prediksi ... IV-28 4.2.1.3.8 Analisis nilai Fitness ... IV-29
ix
4.2.1.3.9 Analisis Nilai Gbest dan PBest ... IV-29 4.2.1.4.10 Analisis Parameter PSO ... IV-30 4.2.1.3.11 Desain Perangkat Lunak ... IV-34 4.2.2 Fase Elaborasi ... IV-41 4.2.2.1 Pemodelan Bisnis ... IV-41 4.2.2.1.1 Perancagan Data ... IV-41 4.2.2.1.2 Perancangan Antarmuka ... IV-41 4.2.2.2 Kebutuhan Sistem ... IV-42 4.2.2.3 Diagram ... IV-43 4.2.2.3.1 Diagram Aktivitas ... IV-43 4.2.2.3.2 Diagram Sequence ... IV-46 4.2.3 Fase Konstruksi ... IV-50 4.2.3.1 Kebutuhan Sistem ... IV-50 4.2.3.2 Diagram Kelas ... IV-51 4.2.3.3 Kelas Amalisis ... IV-51 4.2.2.4 Implementasi ... IV-53 4.2.2.4.1 Implementasi Kelas ... IV-53 4.2.2.4.2 Implementasi Amtarmuka ... IV-55 4.2.4 Fase Transisi ... IV-55 4.2.4.1 Pemodelan Bisnis ... IV-56 4.2.4.2 Kebutuhan Sistem ... IV-56 4.2.4.3 Rencana Pengujian ... IV-56 4.2.2.4.1 Rencana Pengujian Use Case Memiat File ... IV-57 4.2.2.4.2 Rencana Pengujian Use Case Prediksi Cuaca dengan
FIS Tsukamoto ... IV-57 4.2.2.4.3 Rencana Pengujian Use Case Prediksi Cuaca dengan
Hybrid FIS Tsukamoto Dan Particle Swarm Optimization ... IV-57 4.2.4.4 Implementasi ... IV-58 4.2.2.4.1 Pengujian Use Case Memuat File ... IV-59 4.2.2.4.2 Pengujian Use Case Prediksi Cuaca dengan FIS Tsukamoto ... IV-60 4.2.2.4.3 Pengujian Use Case Prediksi Cuaca dengan Hybrid FIS
x
Tsukamoto dan PSO ... IV-61 4.2 Kesimpulan ... IV-63
BAB V HASIL DAN ANALISIS PENELITIAN
5.1 Pendahuluan ... V-1 5.2 Data Hasil Percobaan/Penelitian ... V-1 5.2.1 Konfigurasi Percobaan ... V-1 5.2.2 Data Hasil Konfigurasi ... V-2 5.2.2.1 Hasil Pengujian Jumlah Iterasi ... V-2 5.2.2.2 Hasil Pengujian Jumlah Partikel ... V-5 5.2.2.3 Hasil Pengujian Nilai Coefficients (c1 dan c2) ... V-7 5.3 Analisis Hasil Pengujian ... V-11 5.3.1 Analisis Hasil Pengujian Prediksi Cuaca Mengunakan Fuzzy
Inference System Tsukamoto ... V-11 5.3.2 Analisis Hasil Pengujian Prediksi Cuaca Mengunakan Metode
Hybrid Fuzzy Inference System Tsukamoto dan Particle Swarm
Optimization ... V-11 5.3.3 Analisis Hasil Pengujian Prediksi Cuaca Mengunakan Fuzzy
Inference System Tsukamoto dan Analisis Hasil Pengujian Prediksi Cuaca Mengunakan Metode Hybrid Fuzzy Inference System
Tsukamoto dan Particle Swarm Optimization ... V-13 5.3 Kesimpulan ... V-13
BAB VI KESIMPULAN DAN SARAN
6.1 Pendahuluan ... VI-1 6.2 Kesimpulan ... VI-1 6.3 Saran ... VI-2
xi
DAFTAR TABEL
Halaman Tabel III.1 Rancangan Tabel Hasil Pengujian Jumlah Iterasi ... III-4 Tabel III.2 Rancangan Tabel Hasil Pengujian Jumlah Partikel ... III-4 Tabel III.3 Rancangan Tabel Hasil Pengujian Nilai Acceleration
Coefficients (c1 dan c2) ... III-4 Tabel III.4 Rancangan Tabel Hasil Perbandingan FIS Tsukamoto dengan
Particle Swarm Optimization dan FIS Tsukamoto ... III-6 Tabel III.5 Jadwal Penelitian dalam Bentuk Work Break System (WBS)... III-10 Tabel IV.1 Kebutuhan Fungsional ... IV-3 Tabel IV.2 Kebutuhsn Non-Fungsional ... IV-3 Tabel IV.3 Interval Nilai Linguistic Suhu... IV-5 Tabel IV.4 Interval Nilai Linguistic Kelembaban... IV-6 Tabel IV.5 Interval Nilai Linguistic Tekanan Udara ... IV-7 Tabel IV.6 Interval Nilai Linguistic Kecepatan Angin ... IV-8 Tabel IV.7 Interval Nilai Linguistic Cuaca ... IV-9 Tabel IV.8 Fungsi Keanggotaan Pakar ... IV-12 Tabel IV.9 Partikel 1 yang dibangkitkan ... IV-15 Tabel IV.10 Partikel 2 yang dibangkitkan ... IV-16 Tabel IV.11 Nilai Masukkan ... IV-16 Tabel IV.12 Aturan untuk Inferensi ... IV-18 Tabel IV.13 Nilai Pbest Partikel 1 ... IV-29 Tabel IV.14 Nilai PBest Partikel 2 ... IV-30
xii
Tabel IV.15 Nilai GBest Partikel 1 ... IV-30 Tabel IV.16 Nilai GBest Partikel 2 ... IV-30 Tabel IV.17 Nilai V pada iterasi pertama parrtikel 1 ... IV-32 Tabel IV.18 Nilai V pada iterasi pertama parrtikel 2 ... IV-33 Tabel IV.19 Fungsi Keanggotaan Baru Partikel 1 ... IV-33 Tabel IV.20 Fungsi Keanggotaan Baru Partikel 2 ... IV-33 Tabel IV.21 Definisi Aktor Use Case ... IV-35 Tabel IV.22 Definisi Use Case... IV-35 Tabel IV.23 Skenario Memuat File ... IV-37 Tabel IV.24 Skenario Prediksi Cuaca Menggunakan FIS Tsukamoto ... IV-38 Tabel IV.25 Skenario Prediksi Cuaca Menggunakan FIS Tsukamoto
Dengan Particle Swarm Optimization ... IV-38 Tabel IV.26 Implementasi Kelas... IV-53 Tabel IV.27 Rencana Pengujian Use Case Memuat File ... IV-57 Tabel IV.28 Rencana Pengujian Use Case Prediksi Cuaca dengan FIS
Tsukamoto ... IV-57 Tabel IV.29 Rencana Pengujian Use Case Prediksi Cuaca dengan
Hybrid FIS Tsukamoto dan Particle Swarm Optimization ... IV-57 Tabel IV.30 Pengujian Use Case Memuat File ... IV-59 Tabel IV.31 Pengujian Use Case Prediksi Cuaca dengan FIS Tsukamoto ... IV-60 Tabel IV. 32 Pengujian Use Case Prediksi Cuaca dengan Hybrid FIS
Tsukamoto dan PSO ... IV-61 Tabel V.1 Hasil Pengujian Jumlah Iterasi ... V-3
xiii
Tabel V.2 Hasil Pengujian Jumlah Partikel ... V-5 Tabel V.3 Hasil Pengujian c1 dan c2 ... V-7 Tabel V.4 Hasil Perbandingan FIS Tsukamoto dengan Particle Swarm
xiv
DAFTAR GAMBAR
Halaman Gambar II.1 Fungsi Keanggotaan Repsentasi linear naik ... II-6 Gambar II.2 Fungsi Keanggotaan Representasi linear turun ... II-7 Gambar II.3 Fungsi Keanggotaan Representasi Kurva Segitiga ... II-7 Gambar II.4 Fungsi Keanggotaan Representasi Kurva Trapesium ... II-7 Gambar II.5 Fungsi Keanggotaan Kurva S ... II-9 Gambar II.6 Fungsi Keanggotaan Kurva S : Pertumbuhan... II-9 Gambar II.7 Fungsi Keanggotaan Kurva S : Penyusutan ... II-10 Gambar II.8 Fungsi Keanggotaan Kurva PI ... II-11 Gambar II.9 Fungsi Keanggotaan Kurva Beta ... II-12 Gambar II.10 Fungsi Keanggotaan Kurva Gauss ... II-13 Gambar II.11 Flowchart Fuzzy Inference System Tsukamoto ... II-17 Gambar II.12 Flowcart Particle Swarm Optimization ... II-22 Gambar II.13 Flowchart HybridParticle Swarm Optimization dan Fuzzy
Inference System Tsukamoto ... II-17 Gambar II.14 Model Rational Unified Process ... II-22 Gambar III.1 Diagram Tahapan Penelitian ... III-2 Gambar III.2 Tahapan Pengujian Penelitian ... III-5 Gambar III.3 Penjadwalan Penelitian Tahap Menentukan Ruang Lingkup
dan Unit Penelitian ... III-18 Gambar III.4 Panjadwalan Penelitian Tahap Menentukan Dasar Teori yang Berkaitan dengan Penelitian ... III-19
xv
Gambar III.5 Penjadwalan Tahap Menentukan Kriteria Pengujian ... III-19 Gambar III.6 Penjadwalan Tahap Menentukan Alat Fase Insepsi ... III-20 Gambar III.7 Penjadwalan Tahap Menentukan Alat Fase Elaborasi ... III-21 Gambar III.8 Penjadwalan Tahap Menentukan Alat Fase Konstruksi ... III-22 Gambar III.9 Penjadwalan Tahap Menentukan Alat Fase Transisi ... III-23 Gambar III.10 Penjadwalan Tahap Melakukan Pengujian Penelitian ... III-24 Gambar III.11 Penjadwalan Tahap Melakukan Analisa Hasil Pengujian dan
Membuat Kesimpulan ... III-24 Gambar IV.1 Fungsi Keanggotaan Suhu ... IV-5 Gambar IV.2 Fungsi Keanggotaan Kelembaban ... IV-7 Gambar IV.3 Fungsi Keanggotaan Tekanan Udara ... IV-8 Gambar IV.4 Fungsi Keanggotaan Kecepatan Angin ... IV-9 Gambar IV.5 Fungsi Keanggotaan Cuaca ... IV-11 Gambar IV.6 Posisi Setiap Vertek pada Variabel Suhu ... IV-12 Gambar IV.7 Posisi Setiap Vertek pada Variabel Kelelmbaban... IV-13 Gambar IV.8 Posisi Setiap Vertek pada Variabel Tekanan Udara ... IV-14 Gambar IV.9 Posisi Setiap Vertek pada Variabel Kecepatan Angin ... IV-15 Gambar IV.10 Fungsi Keeanggotaan Suhu dengan Nilai
Linguistic cold = 0.94 ... IV-23 Gambar IV.11 Fungsi Keeanggotaan Kelembaban dengan Nilai
Linguistic dry = 1 ... IV-23 Gambar IV.12 Fungsi Keeanggotaan Tekanan Udara dengan Nilai
xvi
Gambar IV.13 Fungsi Keeanggotaan Kecepatan Angin dengan Nilai
Linguistic sedang = 1 ... IV-24 Gambar IV.14 Fungsi Keeanggotaan Cuaca dengan Nilai
Linguistic rain = 0 ... IV-24 Gambar IV.15 Diagram Use Case ... IV-34 Gambar IV.16 Rancangan Antarmuka ... IV-42 Gambar IV.17 Diageram Aktivitas Memuat File ... IV-44 Gambar IV.18 Diageram Aktivitas Prediksi Cuaca Menggunakan
FIS Tsukamoto ... IV-44 Gambar IV.19 Diageram Aktivitas Prediksi Cuaca Menggunakan
Optimasii FIS Tsukamoto dengan Particle Swarm
Optimization ... IV-45 Gambar IV.20 Diagram Sequence Memuat File ... IV-47 Gambar IV.21 Diagram Sequence Prediksi Cuaca Menggunakan
FIS Tsukamoto ... IV-48 Gambar IV.22 Diagram Sequence Prediksi Cuaca Menggunakan
Optimasi FIS Tsukamoto dengan Particle Swarm
Optimization ... IV-49 Gambar IV.23 Diagram Kelas ... IV-51 Gambar IV.24 Kelas Analisis Memuat File ... IV-52 Gambar IV.25 Kelas Analisis Prediksi Cuaca dengan Fuzzy Inference
System Tsukamoto ... IV-52 Gambar IV.26 Kelas Analisis Prediksi Cuaca dengan Hybrid Fuzzy
xvii
Infeerence System Tsukamoto dan Particle Swarm
Optimization ... IV-52 Gambar IV.27 Tampilan antarmuka Prediksi Cuaca ... IV-55
xviii
DAFTAR LAMPIRAN
Halaman Data Cuaca ... L1-1 Kode Program ... L2-1
I-1
BAB I PENDAHULUAN
1.1 Pendahuluan
Pada bab pendahuluan memberikan penjelasan umum mengenai keseluruhan penelitian. Antara lain membahas tentang latar belakang, rumusan masalah, tujuan penelitian, manfaat penelitian, dan batasan masalah yang menjadi dasar dalam penelitian ini. Pendahuluan dimulai dengan penjelasan yang menjadi latar belakang dari penelitian ini.
1.2 Latar Belakang Masalah
Cuaca merupakan salah satu bagian dari kehidupan sehari-hari manusia yang terjadi di atmosfer bumi. Setiap planet di tata surya memiliki cuaca yang berbeda tergantung pergerakan gas di setiap atmosfer planet-planet tersebut dan jarak planet pada matahari (Navianti & Widjajati, 2012). Cuaca merupakan salah satu faktor penunjang kegiatan manusia. Cuaca sangat mempengaruhi kehidupan manusia sehari-hari (Navianti & Widjajati, 2012). Oleh karena itu cuaca menentukan aktivitas manusia diluar ruangan. Apabila hujan, maka manusia dapat menyediakan payung sebelum hujan. Sedangkan apabila cuaca cerah, maka manusia tidak perlu membawa payung. Maka dari itu diperlukan sistem untuk memprediksi cuaca. Salah satu masalah dalam prediksi yang sering dihadapi adalah prediksi cuaca (Isa, Omar, Saad, Noor, & Osman, 2010). Prediksi cuaca adalah sistem informasi yang digunakan untuk melihat kondisi cuaca yang akan terjadi melalui analisis dan
I-2
pengolahan data yang lalu (Endah Sari & Sukirman, 2012). Namun menurut hasil penelitian sebelumnya prediksi cuaca belum mampu memberikan ketepatan yang tinggi dan bisa digunakan di setiap wilayah (Septiadi, 2008) diantaranya yaitu menggunakan jaringan saraf tiruan dalam memprediksi cuaca maritim mempu menghasilkan ketepatan tingkat akurasi sebesar 60,7%(Kresnawan, 2008).
Cuaca bersifat tidak pasti, maka dibangunlah simulasi menggunakan logika
fuzzy untuk melakukan perkiraan cuaca (Nasuryanti, 2006). Namun hasil dari
logika fuzzy yang menggunakan Fuzzy Inference System menghasilkan kesalahan yang lebih rendah dibandingkan regresi. Sehigga Fuzzy Inference System memiliki keuntungan dalam analisis untuk memahami dan berinteraksi dengan model yang menggunakan aturan fuzzy (Hasan, Tsegaye, Shi, Schaefer, & Taylor, 2008). Salah satu contohnya adalah menggunakan metode Fuzzy Inference System Tsukamoto dalam memprediksi cuaca yang mampu menghasilkan tingkat akurasi sebesar 70% (Hamidin, 2016).
Logika fuzzy sangat fleksibel dalam mencari solusi atas permasalahan yang
dianggap samar atau mengandung ketidakpastian (Purnomo & Kusumadewi, 2010). Metode Tsukamoto adalah metode yang memiliki toleransi pada data dan sangat fleksibel. Kelebihan metode Tsukamoto yaitu bersifat intuitif dan dapat memberikan tanggapan berdasarkan informasi yang bersifat kualitatif, tidak akurat, dan ambigu (Fanoel, Sediyono, Kom, & Suhartono, 2012). Maka dari itu pada penelitian ini, metode Fuzzy Inference System yang akan digunakan adalah metode
Tsukamoto. Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk
I-3
yang monoton, sehingga output hasil inferensi setiap aturan diberikan secara tegas berdasarkan 𝛼-predikat. (Agustin & Irawan, 2015).
Keanggotaan yang dimaksud adalah fungsi keanggotaan. Fungsi keanggotaan memiliki peranan penting dalam Fuzzy Inference System karena nilai keanggotaan menentukan posisi output pada himpunan fuzzy. Pada fungsi keanggotaan logika fuzzy terdapat nilai batas-batas dari fungsi keanggotaan yang ditentukan oleh pakar. Namun hasil yang didapat kurang optimal karena sulitnya menentukan nilai batas fungsi keanggotaan yang tepat dalam suatu permasalahan (Azizah dkk., 2015, Achnas dkk., 2015)
Oleh karena itu dibutuhkan suatu algoritma optimasi untuk mengoptimalisasi nilai batas fungsi keanggotaan sehigga menghasilkan hasil yang optimal. Untuk mengoptimasi fungsi anggotaan, maka digunakan algoritma
Particle Swarm Optimization. Particle Swarm Optimization (PSO) sering
digunakan dalam penelitian, karena PSO memiliki kesamaan sifat dengan Genetic
Algorithm (GA). Keuntungan dari PSO adalah mudah diterapkan dan ada beberapa
parameter untuk menyesuaikan. Sistem PSO diinisiasi oleh sebuah populasi solusi acak dan selanjutnya mencari titik optimum dengan cara meng-update tiap hasil pembangkitan. Pendekatan yang digunakan lebih sistematis matematika untuk menemukan solusi. (Widiastuti, Santosa, & Supriyanto, 2014).
Pada penelitian sebelumnya telah ada penggabungan metode algoritma
Particle Swarm Optimization dan Fuzzy Inference System dalam mengidentifikasi
penyakit gigi dan menghasilkan nilai akurasi sebesar 88% yaitu mengalami peningkatan sebesar 18% (Fajri, Mahmudy, & Anggodo, 2017) Hasil tersebut
I-4
menunjukkan bahwa algorima Particle Swarm Optimization dapat digunakan untuk mengoptimasi Fuzzy Inference System.
Berdasarkan penjelasan di atas maka pada penelitian ini akan melakukan optimasi fungsi keanggotaan Fuzzy Inference System Tsukamoto dengan algoritma
Particle Swarm Optimization dalam studi kasus untuk memprediksi cuaca di
Palembang.
1.3 Rumusan Masalah
Penelitian prediksi cuaca menggunakan metode Fuzzy Inference System
Tsukamoto yang menggunakan fungsi keanggotaan yang berasal dari pakar seperti
yang dilakukan oleh Adlia Hamidin (2016) menghasilkan tingkat akurasi sebesar 70%. Data yang digunakan adalah sebanyak 365 data. Permasalahan yang dihadapi ketika mengimplementasi logika fuzzy adalah menentukan nilai batas fungsi keangotaan yang tepat dalam suatu permasalahan. Dalam penelitian ini menggunakan algoritma Particle Swarm Optimization dalam mengoptimasi nilai batas fungsi keanggotaan Fuzzy Inference System Tsukamoto. Dari permasalah yang dihadapi tersebut menimbulkan suatu pertanyaan, apakah algorima Particle
Swarm Optimization dapat mengoptimasi batasan fungsi keanggotaan pada Fuzzy
Inference System Tsukamoto dalam memprediksi cuaca sehingga meningkatkan
hasil persentase tingkat akurasi?
Untuk menyelesaikan masalah di atas, penelitian ini terdapat beeberapa pertanyaan/research question sebagai berikut:
I-5
1. Bagaimana cara menerapkan algoritma Particle Swarm Optimization dalam mengoptimasi fungsi keanggotaan Fuzzy Inference System
Tsukamoto untuk memprediksi cuaca di Palembang?
2. Bagaimana perbandingan nilai tingkat akurasi antara metode Fuzzy
Inference System dengan Hybrid Fuzzy Inference System dan Particle
Swarm Optimization untuk memprediksi cuaca di Palembang?
1.4 Tujuan Penelitian
Tujuan penelitian ini adalah :
1. Mengembangkan metode Fuzzy Inference System model Tsukamoto dan algorima Particle Swarm Optimization untuk memprediksi cuaca
2. Mengetahui tingkat akurasi hasil optimasi fungsi keanggotaan yang dilakukan oleh algorima Particle Swarm Optimization dan Fuzzy Inference
System Tsukamoto.
1.5 Manfaat Penelitian
Manfaat yang diperoleh dari penelitian ini adalah sebagai berikut : 1. Membantu Badan Meteorologi, Klimatologi dan Geofisika Palembang
dalam prediksi cuaca
2. Membantu masyarakat umum agar dapat mengetahui prediksi cuaca 3. Dapat membantu mahasiswa ilmu komputer dalam memahami pengaruh
I-6
keanggotaan Fuzzy Inference System Tsukamoto dalam memprediksi cuaca.
1.6 Batasan Masalah
Batasan masalah dalam penelitian ini adalah :
1. Data yang digunakan adalah data sekunder yang didapatkan dari penelitian sebelumnya oleh Adlia Hamidin (2016) dengan jumlah data 365 data cuaca 2. Data cuaca dibagi menjadi data latih sebanyak 255 data cuaca dan data uji
sebanyak 110 data cuaca
3. Prediksi cuaca menggunakan metode Fuzzy Inference System Tsukamoto yang dilakukan menggunakan data uji sebanyak 110 data cuaca sehingga nilai tingkat akurasi yang dihasilkan tidak sama dengan nilai tingkat akurasi yang dihasilkan oleh Adlia Hmidin (2016)
4. Perhitungan data tidak berkaitan dengan perubahan waktu.
1.7 Sistematika Penulisan
Sistematika penulisan skripsi ini adalah sebagai berikut :
BAB I. PENDAHULUAN
Pada bab ini diuraikan mengenai latar belakang, perumusan masalah, tujuan dan manfaat penelitian, batasan masalah/ruang lingkup, dan sistematika penulisan.
I-7
BAB II. KAJIAN LITERATUR
Pada bab ini akan dibahas dasar-dasar teori yang digunakan dalam penelitian, antara lain penelitian terkait, definisi algoritma dan metode yang akan digunakan serta langkah kerja dari metode dan algoritma tersebut.
BAB III. METODOLOGI PENELITIAN
Pada bab ini akan dibahas mengenai tahapan yang akan dilaksanakan pada penelitian ini. Masing-masing rencana tahapan penelitian dideskripsikan dengan rinci dengan mengacu pada suatu kerangka kerja. Di akhir bab ini berisi perancangan manajemen proyek pada pelaksanaan penelitian.
BAB IV. PENGEMBANGAN PERANGKAT LUNAK
Pada bab ini akan membahas perancangan perangkat lunak yang akan dibangun pada penelitian ini.
BAB V. HASIL DAN ANALISIS PENELITIAN
Pada bab ini akan menampilkan hasil pengujian berdasarkan langkah-langkah yang telah direncanakan. Analisis diberikan sebagai basis dari kesimpulan yang diambil dalam penelitian ini.
I-8
BAB VI. KESIMPULAN DAN SARAN
Pada bab ini berisi kesimpulan dari semua uraian-uraian pada bab-bab sebelumnya dan juga berisi saran-saran yang diharapkan berguna dalam pengembangan perangkat lunak ini selanjutnya.
1.8 Kesimpulan
Masalah peramalan adalah masalah yang banyak dihadapi pada berbagai persoalan antara lain ramalan cuaca. Karena cuaca cenderung berubah dan bersifat tidak pasti. Maka logika fuzzy akan digunakan dalam penelitian ini. Karena logika fuzzy mampu meyelesaikan masalah yang samar atau mengandung ketidak pastian. Metode logika fuzzy yang akan digunakan adalah logika Fuzzy Inference System. Fuzzy Inference System memiliki fungsi keanggotaan yang merupakan peranan penting dalam Fuzzy Inference System. karena fungsi keanggotaan menetukan posisi suatu output pada himpunan
fuzzy. Fungsi keanggotaan memiliki nilai yang menjadi batas-batas suatu
fungsi keanggotaan. Nilai tersebut biasanya ditentukan oleh pakar. Namun karena kurangnya kemampuan pakar dalam menentukan batas-batas fungsi keanggotaan terkadang membuat hasil yang didapatkan dirasa kurang optimal. Oleh karena itu pada penelitian ini berfokus untuk melihat pengaruh algoritma particle swam optimization dalam mengoptimasi fungsi keanggotaan Fuzzy
VII-1
DAFTAR PUSTAKAN
Achnas, A. H., Cholissodin, I., & Mahmudy, W. F. (2015). Optimasi Fuzzy Inference System Sugeno dengan Algoritma Hill Climbing untuk Penentuan Harga Jual Rumah. Journal of Environmental Engineering and Sustainable
Technology, 2(1), 31-36.
Agustin, V. R. R., & Irawan, W. H. (2015). Aplikasi Pengambilan Keputusan dengan Metode Tsukamoto pada Penentuan Tingkat Kepuasan pelanggan.
Cauchy, 4(1), 10-15.
Ariyati, M. R., & Musthafa, A. R. (2018). Autonomous Robot Path Planning Using Comparison Particle Swarm Optimization Method and Genetic algorithm.
Jurnal Buana Informatika, 9(2), 61-70.
Azizah, E. N., Cholissodin, I., & Mahmudy, W. F. (2015). Optimasi fungsi keanggotaan fuzzy tsukamoto menggunakan algoritma genetika untuk penentuan harga jual rumah. Journal of Environmental Engineering and
Sustainable Technology, 2(2), 79-82.
Bromastuty, N., Setiawan, B., & Indriati, I. (2017). Optimasi Fungsi Keanggotaan Fuzzy Inference System Tsukamoto dengan Particle Swarm Optimization pada Penentuan Jumlah Produksi Gula (Studi Kasus : Pabrik Gula Kebonagung Malang). Jurnal Pengembangan Teknologi Informasi Dan
Ilmu Komputer, 2(8), 2902-2908.
Endah Sari, N., & Sukirman, E. (2012). Prediksi Cuaca Berbasis Logika Fuzzy untuk Rekomendasi Penerbangan di Bandar Udara Raja Haji Fisabilillah. Fajri, D. M. N., Mahmudy, W. F., & Anggodo, Y. P. (2017). Optimization of FIS
Tsukamoto using particle swarm optimization for dental disease
identification. Paper presented at the Advanced Computer Science and
Information Systems (ICACSIS), 2017 International Conference on. Fanoel, T., Sediyono, E., Kom, M., & Suhartono, M. (2012). STUDI INFERENSI
FUZZY TSUKAMOTO UNTUK PENENTUAN FAKTOR PEMBEBANAN
TRAFO PLN. Universitas Diponegoro.
Fitri, A., & Mahmudy, W. F. (2017). Optimasi Keanggotaan Fuzzy Tsukamoto Menggunakan Algoritma Genetika pada Penentuan Prioritas Penerima Zakat. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
e-ISSN, 2548, 964X.
Gaddafi, M. (2016). Analisis perbandingan metode Tsukamoto dan Mamdani
dalam optimasi produksi barang. Universitas Islam Negeri Maulana Malik
VII-2
Habiburrahman, S., Hakim, F., Cholissodin, I., & Widodo, A. W. (2017). Seleksi Fitur Dengan Particle Swarm Optimization Untuk Pengenalan Pola Wajah Menggunakan Naive Bayes ( Studi Kasus Pada Mahasiswa Universitas Brawijaya Fakultas Ilmu Komputer Gedung A ), 1(10), 1045– 1057.
Hamidin, Adlia. (2016). Weather Prediction using Fuzzy Time Series and Fuzzy
Tsukamoto. Skripsi. Palembang, Fakultas Ilmu Komputer Universitas
Sriwijaya.
Hasan, M., Tsegaye, T., Shi, X., Schaefer, G., & Taylor, G. (2008). Model for predicting rainfall by fuzzy set theory using USDA scan data. Agricultural
water management, 95(12), 1350-1360.
Irmawan, D., & Herusantoso, K. (2011). Penerapan Logika Fuzzy Sebagai Sistem Pendukung Keputusan Prakiraan Cuaca. Konferensi Teknologi Informasi
dan Komunikasi Untuk Indonesia, 1-10.
Isa, I. S., Omar, S., Saad, Z., Noor, N. M., & Osman, M. K. (2010). Weather
forecasting using photovoltaic system and neural network. Paper presented
at the Computational Intelligence, Communication Systems and Networks (CICSyN), 2010 Second International Conference on.
Kaur, P., Kumar, S., & Singh, A. (2012). Optimization of Membership Function Based on Ant Colony Algorithm. International Journal of Computer
Science and Information Security (IJCSIS), 10(4).
Kusumadewi, S., & Hartati, S. (2010). Neuro Fuzzy. Graha Ilmu, Yogyakarta. Kusumadewi, S., & Purnomo, H. (2004). Aplikasi Logika Fuzzy untuk pendukung
keputusan. Yogyakarta: Graha Ilmu, 8.
Miftahuddin, M. (2018). Analisis Unsur-unsur Cuaca dan Iklim Melalui Uji Mann-Kendall Multivariat. Jurnal Matematika, Statistika dan Komputasi, 13(1), 26-38.
Nasuryanti, D. (2006). Simulasi Prakiraan Cuaca dengan Menggunakan Logika Fuzzy.
Navianti, D. R., & Widjajati, F. A. (2012). Penerapan Fuzzy Inference System pada Prediksi Curah Hujan di Surabaya Utara. Jurnal Sains dan Seni ITS, 1(1), A23-A28.
Purnomo, H., & Kusumadewi, S. (2010). Aplikasi logika Fuzzy untuk pendukung keputusan. Yogyakarta: Graha Ilmu.
Puspita, E. S., & Yulianti, L. (2016). Perancangan sistem peramalan cuaca berbasis logika fuzzy. Jurnal Media Infotama, 12(1).
Ramsari, N., & Munawar, Z. (2016). PENGAMBILAN KEPUTUSAN DENGAN TEKNIK SOFT COMPUTING. Jurnal Ilmiah Teknologi Informasi Terapan, 2(3).
VII-3
Roni, Y., Kridanto, S., & Kristianto, H. (2011). Arsitektur Bisnis: Pemodelan Proses Bisnis dengan Object Oriented. Telematika(20).
Rosa, A. S., & Shalahuddin, M. (2013). Rekayasa perangkat lunak terstruktur dan berorientasi objek. Bandung: Informatika.
Septiadi, D. (2008). Aplikasi Soft Computing Pada Prediksi Curah Hujan Di Kalimantan. Jurnal Meteorologi dan Geofisika, 9(2).
Simajuntak, M. (2017). PENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO. Journal Information System
Development (ISD), 2(1).
Sutojo, T., & Mulyanto, E. (2011). Suhartono. Kecerdasan Buatan. Yogyakarta. Andi Offset.
Ulinnuha, N., & Farida, Y. (2018). Prediksi Cuaca Kota Surabaya Menggunakan Autoregressive Integrated Moving Average (Arima) Box Jenkins dan Kalman Filter. Jurnal Matematika" MANTIK", 4(1), 59-67.
Wardani, A. R., Nasution, Y. N., & Amijaya, F. D. T. (2017). APLIKASI LOGIKA FUZZY DALAM MENGOPTIMALKAN PRODUKSI MINYAK KELAPA SAWIT DI PT. WARU KALTIM PLANTATION MENGGUNAKAN METODE MAMDANI.
Widiastuti, N. A., Santosa, S., & Supriyanto, C. (2014). Algoritma Klasifikasi data mining naïve bayes berbasis Particle Swarm Optimization untuk deteksi penyakit jantung. Jurnal Pseudocode, 1(1), 11-14.
