PENERAPAN JARINGAN SARAF TIRUAN / JST (BACKPROPAGATION) UNTUK PRAKIRAAN CUACA DI BANDAR UDARA RADIN INTEN II
LAMPUNG
(Tesis)
Oleh ADI SAPUTRA
1927041001
MAGISTER FISIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS LAMPUNG
BANDAR LAMPUNG 2022
ii ABSTRAK
PENERAPAN JARINGAN SARAF TIRUAN / JST (BACKPROPAGATION) UNTUK PRAKIRAAN CUACA DI BANDAR UDARA RADIN INTEN II
LAMPUNG
Oleh ADI SAPUTRA
Prediksi cuaca diperlukan dalam perencanaan kehidupan sehari-hari, salah satunya untuk membuat keputusan. Keberhasilan dari suatu prediksi cuaca akan berdampak pada pengambilan keputusan di berbagai bidang, antara lain pada bidang pertanian dan penerbangan. Pada bidang penerbangan, prediksi cuaca penting untuk menentukan waktu, lokasi, arah gerak, ketinggian serta merencanakan pergerakan pesawat untuk memperhitungkan gangguan operasi yang dapat disebabkan jika cuaca sedang buruk dan juga untuk mempertimbangkan dalam menentukan rute penerbangan atau menentukan dalam membawa tambahan bahan bakar jika dalam suatu kasus pesawat harus kembali dikarenakan kondisi cuaca yang tidak memungkinkan. Oleh karena itu perlunya sebuah metode prediksi cuaca yang baik sehingga dapat mengurangi kerugian dan kerusakan. Parameter maksimum dalam pengembangan perancangan informasi prakiraan cuaca berbasis Jaringan Saraf Tiruan / JST (Backpropagation) dengan menambah inputan data curah hujan, suhu, kelembaban, penyinaran matahari, tekanan udara, arah angin dan kecepatan angin.
Penelitian ini dilakukan di wilayah Bandar Udara Radin Inten II Lampung. Data yang digunakan dalam penelitian ini adalah berupa data harian kondisi meteorologi di wilayah Bandar Udara Radin Inten II Lampung dari Stasiun Meteorologi Radin Inten II selama 3 tahun terakhir yaitu dari tahun 2017 hingga tahun 2019. Data tersebut dibutuhkan sebagai data masukan untuk algoritma yang akan digunakan dalam penelitian. Berdasarkan pada hasil penelitian, diperoleh akurasi pelatihan terbaik sebesar 100% pada arsitektur jaringan syaraf tiruan dengan parameter fungsi pelatihan levenberg-marquardt (trainlm) dan scaled conjugate gradient (trainscg), fungsi aktivasi sigmoid biner dan sigmoid bipolar, dan jumlah neuron 20, 40, 60, 80, dan 100. Sedangkan akurasi pengujian terbaik sebesar 74.359% pada arsitektur jaringan syaraf tiruan dengan parameter fungsi pelatihan gradient descent wit momentum and adaptive learning rate (traingdx) dan fungsi aktivasi sigmoid biner (logsig) dan jumlah neuron 20 dan 80.
Kata kunci: Penerapan Jaringan Saraf Tiruan, Prakiraan Cuaca, Bandar Udara Radin Inten II Lampung.
iii ABSTRACT
APPLICATION OF ARTIFICIAL NEURAL NETWORK (BACKPROPAGATION) FOR WEATHER FORECASTING
AT RADIN INTEN II AIRPORT LAMPUNG
By ADI SAPUTRA
Weather prediction is needed in planning daily life, one of which is to make decisions. The success of a weather prediction will have an impact on decision making in various fields, including agriculture and aviation. In the field of aviation, weather prediction is important to determine the time, location, direction of motion, altitude and plan the movement of aircraft to take into account operational disturbances that can be caused if the weather is bad and also to consider in determining flight routes or determining in carrying additional fuel if in an emergency. In the case of the aircraft having to return due to unfavorable weather conditions. Therefore the need for a good weather prediction method so as to reduce losses and damage. In this case the author tries to focus on the maximum parameters in the development of weather forecasting information design based on Artificial Neural Networks / Backpropagation by adding input data of rainfall, temperature, humidity, sunlight, air pressure, wind direction and wind speed. This research was conducted in the area of Radin Inten II Airport, Lampung. The material used in this study is in the form of daily data on meteorological conditions in the Radin Inten II Lampung Airport area from the Radin Inten II Meteorological Station for the last 3 years, from 2017 to 2019. This data is needed as input data for the algorithm that will be used in study. Based on the research results, the best training accuracy is 100% on the artificial neural network architecture with levenberg-marquardt training function parameters (trainlm) and scaled conjugate gradient (trainscg), binary sigmoid and bipolar sigmoid activation functions, and the number of neurons 20, 40, 60, 80, and 100. Meanwhile, the best test accuracy is 74,359% on the artificial neural network architecture with the training function parameters gradient descent wit momentum and adaptive learning rate (trainingdx) and binary sigmoid activation function (logsig) and the number of neurons 20 and 80.
Keywords: Application of Artificial Neural Networks, Weather Forecast, Radin Inten II Airport Lampung
iv
PENERAPAN JARINGAN SARAF TIRUAN / JST (BACKPROPAGATION) UNTUK PRAKIRAAN CUACA DI BANDAR UDARA RADIN INTEN II
LAMPUNG
Oleh ADI SAPUTRA
Tesis
Sebagai Salah Satu Syarat untuk Mencapai Gelar MAGISTER SAINS
Pada
Program Studi Magister Fisika Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam
MAGISTER FISIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS LAMPUNG
BANDAR LAMPUNG 2022
v
Judul Tesis : PENERAPAN JARINGAN SARAF TIRUAN / JST (BACKPROPAGATION) UNTUK PRAKIRAAN CUACA DI BANDAR UDARA RADIN INTEN II LAMPUNG
Nama Mahasiswa :
Adi Saputra
Nomor Pokok Mahasiswa : 1927041001 Program Studi : Magister Fisika
Fakultas : Matematika dan Ilmu Pengetahuan Alam
MENYETUJUI
1. Komisi Pembimbing
Pembimbing I Pembimbing II
Dr. Sri Ratna Sulistiyanti, M.T. Dr. rer. nat. Roniyus Marjunus, M.Si.
NIP. 196510211995122001 NIP. 197703182000121003 2. Mengetahui
Ketua Jurusan Fisika Ketua Program Studi
Magister Fisika
Gurum Ahmad Pauzi, S.Si., M.T. Dr. Junaidi, S.Si., M.Sc.
NIP. 19801010 200501 1 002 NIP. 198206182008121001
vi
MENGESAHKAN
1. Tim Penguji
Ketua : Dr. Sri Ratna Sulistiyanti, M.T. ………
Sekretaris : Dr. rer. nat. Roniyus Marjunus, M.Si. ………
Penguji Anggota : 1. Dr. Yanti Yulianti, S.Si., M.Si. ………
: 2. Dr. Junaidi, S.Si., M.Sc. ………
2. Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Dr. Eng. Suripto Dwi Yuwono, M.T.
NIP. 19740705 200003 1 001 3. Direktur Program Pascasarjana
Prof. Dr. Ir. Ahmad Saudi Samosir, S.T., M.T.
NIP. 19710415 199803 1 005
Tanggal Lulus Ujian Tesis : 17 November 2022
vii
PERNYATAAN
Dengan ini saya menyatakan bahwa dalam tesis yang berjudul “PENERAPAN JARINGAN SARAF TIRUAN / JST (BACKPROPAGATION) UNTUK PRAKIRAAN CUACA DI BANDAR UDARA RADIN INTEN II LAMPUNG” tidak terdapat karya yang pernah dilakukan oleh orang lain, kecuali yang secara tertulis disebut dalam daftar pustaka. Selain itu saya menyatakan pula bahwa tesis ini dibuat oleh saya sendiri.
Apabila pernyataan saya ini tidak benar maka saya bersedia dikenai sanksi sesuai hukum yang berlaku.
Bandar Lampung, 17 November 2022
Adi Saputra NPM. 1927041001
viii
RIWAYAT HIDUP
Penulis dilahirkan di Kotabumi 30 Agustus 1985. Penulis adalah Ke 3 dari 4 bersaudara pasangan Bapak H (Purn).
Syamin HS dan Ibu Zarwati Umar, S.Ag. Penulis menyelesaikan pendidikan Sekolah Dasar di MIN 1 Kotabumi lulus tahun 1997, Sekolah Menengah Pertama di SMPN 2 Kotabumi lulus tahun 2000, Sekolah Menengah Atas di SMAN 5 Bandar Lampung lulus tahun 2003.
Selanjutnya penulis melanjutkan Pendidikan Diploma III Meteorologi di Akademi Meteorologi dan Geofisika Tangerang lulus pada tahun 2006, selanjutnya penulis melanjutkan Program Sarjana S1 FMIPA di Universitas Cenderawasih Jayapura Jurusan Fisika lulus pada tahun 2009. Pada tahun 2019 penulis melanjutkan studi Magister FMIPA Universitas Lampung pada program Studi Magister Fisika.
ix MOTTO
“..Allah tidak membebani seseorang itu melainkan sesuai dengan kesanggupannya.”
(Surat Al Baqarah ayat 286)
“Dan bersabarlah. Sesungguhnya Allah beserta orang-orang yang sabar.”
(Surat Al-Anfaal ayat 46)
“Barangsiapa yang mengerjakan kebaikan sekecil apapun, niscaya dia akan melihat (balasan)-Nya.”
(Q.S Al-Zalzalah: 7)
“…Allah akan meninggikan orang-orang yang beriman diantaramu dan orang- orang yang diberi ilmu pengetahuan beberapa derajat…”
(Q.S, Al-Mujaadillah; 11)
x
PERSEMBAHAN
Dengan mengucap rasa syukur kepada Allah SWT, ku persembahkan karya ini untuk orang-orang yang ku sayangi:
Kedua Orang Tuaku Tercinta
Bapak H (Purn). Syamin HS dan Ibu Zarwati Umar, S.Ag.
Yang penuh kesabaran dalam membimbing, mendidik, menemani, dan menyemangati dengan kelembutan do’a dan kasih sayang. Terima kasih atas restu
yang tiada hentinya hingga sekarang dan sampai nanti.
Istriku Munawaroh dan Anak-anak tercinta Azka dan Zulfa, Kakak / Adik tersayang, untuk Pak Arif Surtono dan sahabat ku Mas Sobirin Terima kasih atas segala semangat, dukungan dan keceriaan kalian
Serta
Almamater Tercinta Universitas Lampung
xi
KATA PENGANTAR
Puji syukur kehadirat Allah SWT, yang telah memberikan kesehatan, rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan tesis yang berjudul
“PENERAPAN JARINGAN SARAF TIRUAN / JST (BACKPROPAGATION) UNTUK PRAKIRAAN CUACA DI BANDAR UDARA RADIN INTEN II LAMPUNG”. Yang merupakan syarat untuk memperoleh gelar Magister Sains (M.Si) dari Program Magister Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung.
Penulis menyadari dalam penyusunan dan penulisan tesis ini banyak terdapat kekurangan. Oleh sebab itu kritik dan saran yang bersifat membangun sangat diperlukan untuk memperbaiki dan menyempurnakan tesis ini. Semoga tesis ini dapat menjadi rujukan untuk penelitian selanjutnya agar lebih sempurna dan dapat memperkaya ilmu pengetahuan.
Bandar Lampung, November 2022 Penulis
Adi Saputra
xii SANWACANA
Assalamu’alaikum Wr.Wb
Puji syukur senantiasa penulis panjatkan kehadirat Allah SWT yang menciptakan langit dan bumi serta penguasa atas semua makhluk. Dengan kerendahan diri dan ketulusan hati, penulis mengucapkan terima kasih kepada pihak-pihak yang telah mendukung dan membantu dalam menyelesaikan tesis ini. Ucapan terima kasih penulis sampaikan kepada:
1. Ibu Dr. Sri Ratna Sulistiyanti, M.T. sebagai Dosen Pembimbing I dan Pembimbing Akademik atas kesediannya membimbing penulis dengan penuh kesabaran dan selalu meluangkan waktunya untuk memberikan ilmu dan nasihatnya kepada penulis selama proses penelitian dan penulisan tesis.
2. Bapak Dr. rer. nat. Roniyus Marjunus, M.Si. sebagai Dosen Pembimbing II atas kesediannya membimbing dan memberikan saran kepada penulis.
3. Ibu Dr. Yanti Yulianti, S.Si., M.Si. sebagai dosen Penguji I yang telah membantu dan berkenan memberikan saran yang membangun kepada penulis.
4. Bapak Dr. Junaidi, S.Si., M.Sc. sebagai Dosen Penguji II dan sekaligus sebagai Ketua Program Studi Magister Fisika, yang telah berkenan memberikan saran dan masukan yang membangun kepada penulis agar lebih baik lagi
5. Bapak Dr. Mohammad Sofwan Effendi, M.Ed., sebagai Pelaksana Tugas (Plt) Rektor Universitas Lampung
xiii
6. Bapak Dr. Eng. Suripto Dwi Yuwono, M.T. selaku Dekan FMIPA Universitas Lampung.
7. Bapak Prof. Dr. Ir. Ahmad Saudi Samosir, S.T., M.T. selaku Direktur Program Pacasarjana Universitas Lampung.
8. Bapak Gurum Ahmad Pauzi, S.Si., M.T. selaku Ketua Jurusa Fisika FMIPA Universitas Lampung.
9. Bapak dan Ibu Dosen serta Staff Program Magister Fisika Universitas Lampung.
10. Orang tua penulis, Bapak H (Purn). Syamin HS dan Ibu Zarwati Umar, S.Ag.
yang selalu mendo’akan kebaikan bagi penulis.
11. Istriku Munawaroh dan Anak-anak tercinta Azka dan Zulfa
12. Teman-teman Magister Fisika 2019 yang telah memberikan semangatnya selama ini.
Semoga Allah SWT membalas segala kebaikan dan niat baik yang telah diberikan.
Aamiin.
Wassalamu’alaikum Wr.Wb.
Bandar Lampung, November 2022 Penulis
Adi Saputra
xiv DAFTAR ISI
Halaman
ABSTRAK ... ii
ABSTRACT ... iii
HALAMAN JUDUL ... iv
HALAMAN PERSETUJUAN ... v
HALAMAN PENGESAHAN ... vi
HALAMAN PERNYATAAN ... vii
RIWAYAT HIDUP ... viii
MOTTO ... ix
PERSEMBAHAN ... x
KATA PENGANTAR ... xi
SANWACANA ... xii
DAFTAR ISI ... xiv
DAFTAR GAMBAR ... xvi
DAFTAR TABEL ... xviii
I. PENDAHULUAN 1.1. Latar Belakang... 1
1.2. Rumusan Masalah ... 3
1.3. Batasan Masalah ... 4
1.4. Tujuan Penelitian ... 4
1.5. Manfaat Penelitian ... 4
1.6. Hipotesis Penelitian ... 5
II. TINJAUAN PUSTAKA 2.1. Penelitian Terdahulu... 6
2.2. Kajian Teori ... 7
2.2.1. Cuaca ... 7
2.2.2. Jaringan Saraf Tiruan (JST) ... 11
2.2.3. Standar Keselamatan Penerbangan Bandar Udara Radin Inten II Lampung ... 20
2.2.4. Prediksi Cuaca ... 21
xv III. METODE PENELITIAN
3.1. Waktu dan Tempat Penelitian ... 24
3.2. Alat dan Bahan Penelitian ... 24
3.2.1. Alat Penelitian ... 24
3.2.2. Bahan Penelitian. ... 25
3.3. Tahapan Penelitian... 34
3.3.1. Pra-Pengolahan ... 34
3.3.2. Perancangan Sistem Prediksi Cuaca. ... 35
3.3.3. Validasi Hasil Penelitian ... 38
IV. HASIL DAN PEMBAHASAN 4.1. Perancangan Sistem ... 39
4.2. Pengujian dan Analisis Data ... 45
4.2.1. Implementasi tampilan antarmuka halaman depan ... 46
4.2.2. Implementasi tampilan antarmuka halaman pelatian ... 46
4.2.3. Implementasi tampilan antarmuka halaman pengujian ... 50
4.2.4. Implementasi tampilan antarmuka halaman prediksi ... 53
4.2.5. Hasil akurasi pelatihan dan pengujian sistem ... 56
V. KESIMPULAN DAN SARAN 5.1. Kesimpulan... 84
5.2. Saran ... 85
DAFTAR PUSTAKA ... 86
LAMPIRAN ... 88
xvi
DAFTAR GAMBAR
Halaman
Gambar 2.1. Arsitektur Jaringan Saraf Tiruan ... 14
Gambar 2.2. Posisi Run way Bandar Udara Radin Inten II Lampung ... 20
Gambar 3.1. Diagram alir tahapan penelitian. ... 34
Gambar 3.2. Diagram alir pelatihan jaringan. ... 36
Gambar 3.3. Arsitektur Jaringan Saraf Tiruan Backpropagation. ... 37
Gambar 4.1. Rancangan antarmuka halaman depan. ... 39
Gambar 4.2. Rancangan antarmuka halaman pelatihan. ... 40
Gambar 4.3. Rancangan antarmuka halaman pengujian. ... 43
Gambar 4.4. Rancangan antarmuka halaman prediksi... 44
Gambar 4.5. Tampilan antarmuka halaman depan. ... 46
Gambar 4.6. Tampilan antarmuka halaman pelatihan. ... 46
Gambar 4.7. Tampilan hasil load data latih. ... 47
Gambar 4.8. Tampilan proses pelatihan jaringan. ... 48
Gambar 4.9. Tampilan hasil pelatihan. ... 48
Gambar 4.10. Tampilan proses penyimpanan bobot awal dan bias awal. ... 49
Gambar 4.11. Tampilan proses penyimpanan arsitektur jaringan. ... 50
Gambar 4.12. Tampilan antarmuka halaman pengujian. ... 50
xvii
Gambar 4.13. Tampilan hasil load data uji. ... 51
Gambar 4.14. Tampilan proses load arsitektur jaringan. ... 52
Gambar 4.15. Tampilan kelas keluaran hasil pengujian. ... 52
Gambar 4.16. Tampilan halaman pengujian setelah direset. ... 53
Gambar 4.17. Tampilan antarmuka halaman prediksi. ... 53
Gambar 4.18. Tampilan proses penetapan data input prediksi. ... 54
Gambar 4.19. Tampilan proses load jaringan. ... 55
Gambar 4.20. Tampilan proses prediksi. ... 55
Gambar 4.21. Akurasi sistem dengan fungsi pelatihan gradient descent with momentum and adaptive learning rate (traingdx) dan fungsi aktivasi sigmoid biner (logsig). (a) tampilan grafik nilai mse dan regresi (b) tampilan grafik nilai akurasi pelatihan dan pengujian (c) tampilan grafik pelatihan data (d) tampilan grafik pengujian data. ... 67
xviii
DAFTAR TABEL
Halaman Tabel 3.1. Spesifikasi data latih dalam program JST ... 26 Tabel 3.2. Spesifikasi data uji dalam program JST ... 32 Tabel 3.3. Penjabaran nilai keluaran jaringan ... 36 Tabel 4.1. Hasil Akurasi sistem dengan fungsi pelatihan gradient descent
(traingd) dan fungsi aktivasi sigmoid biner (logsig) ... 58 Tabel 4.2. Hasil Akurasi sistem dengan fungsi pelatihan gradient descent
(traingd) dan fungsi aktivasi sigmoid bipolar (tansig) ... 60 Tabel 4.3. Spesifikasi data uji dalam program JST ... 63 Tabel 4.4. Hasil Akurasi sistem dengan fungsi pelatihan gradient descent
with momentum and adaptive learning rate (traingdx) dan fungsi
aktivasi sigmoid biner (logsig) ... 65 Tabel 4.5. Hasil klasifikasi cuaca oleh jaringan saraf tiruan... 66 Tabel 4.6. Hasil Akurasi sistem dengan fungsi pelatihan gradient descent
with momentum and adaptive learning rate (traingdx) dan fungsi
aktivasi sigmoid bipolar (tansig) ... 70 Tabel 4.7. Hasil Akurasi sistem dengan fungsi pelatihan levenberg-marquardt
(trainlm) dan fungsi aktivasi sigmoid biner (logsig) ... 73 Tabel 4.8. Hasil Akurasi sistem dengan fungsi pelatihan levenberg-marquardt
(trainlm) dan fungsi aktivasi sigmoid bipolar (tansig) ... 76 Tabel 4.9. Hasil Akurasi sistem dengan fungsi pelatihan scaled conjugate
gradient (trainscg) dan fungsi aktivasi sigmoid biner (logsig) ... 79 Tabel 4.10. Hasil Akurasi sistem dengan fungsi pelatihan scaled conjugate
gradient(trainscg) dan fungsi aktivasi sigmoid bipolar (tansig) ... 82
I. PENDAHULUAN
1.1. Latar Belakang
Metode prediksi cuaca pada umumnya ada dua yang digunakan, yaitu metode dengan pendekatan empiris dan yang kedua adalah metode pendekatan dinamis.
Metode pendekatan empiris sering disebut sebagai peramalan analog, metode ini menggunakan data cuaca masa lampau untuk memprediksi kejadian di masa depan. Sedangkan metode kedua didasarkan pada persamaan dan sering disebut sebagai metode numerik. Metode yang paling banyak digunakan untuk memprediksi cuaca adalah metode pendekatan empiris. Metode pendekatan empiris ini seperti Jaringan Saraf Tiruan (JST), Logika fuzzy, dan lain-lain. Metode Jaringan Saraf Tiruan (JST) dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk mengetahui pola yang ada pada data.
Jaringan Saraf Tiruan (JST) adalah sistem self adaptive yang dapat belajar untuk menyelesaikan permasalahan yang komplek dan dapat mengeneralisasi pengetahuan yang diperoleh dan tak terduga seperti prediksi cuaca (Litta, 2012).
Prediksi cuaca sangat penting untuk digunakan dalam perencanaan kehidupan sehari-hari, salah satunya untuk membuat keputusan. Keberhasilan dari suatu prediksi cuaca akan berdampak pada pengambilan keputusan di berbagai bidang, antara lain pada bidang pertanian dan penerbangan. Pada bidang pertanian prediksi
2
cuaca digunakan untuk menentukan jadwal pertanian agar memberikan hasil yang optimal (Saima, 2011). Sedangkan pada bidang penerbangan, prediksi cuaca penting untuk menentukan waktu, lokasi, arah gerak, ketinggian serta merencanakan pergerakan pesawat untuk memperhitungkan gangguan operasi yang dapat disebabkan jika cuaca sedang buruk dan juga untuk mempertimbangkan dalam menentukan rute penerbangan atau menentukan dalam membawa tambahan bahan bakar jika dalam suatu kasus pesawat harus kembali dikarenakan kondisi cuaca yang tidak memungkinkan (Putra, 2014).
Menurut Federal Aviation Administration dari tahun 2008 hingga 2018, tertundanya penerbangan lebih dari 15 menit disebabkan oleh 69% karena masalah cuaca, 19% karena masalah jumlah penumpang, 6% karena masalah landasan penerbangan, 1% karena masalah peralatan, dan 5% karena masalah lainnya.
Cuaca yang buruk menyebabkan jadwal penerbangan yang berubah secara mendadak dan mempengaruhi lalu lintas udara (FAA, 2018). Oleh karena itu perlunya sebuah metode prediksi cuaca yang baik sehingga dapat mengurangi kerugian dan kerusakan.
Presisi dari Jaringan Saraf Tiruan bergantung pada konfigurasi kombinasi parameter input, algoritma pelatihan, dan konfigurasi arsitektur. Meningkatkan kombinasi parameter dan struktur dari Jaringan Saraf Tiruan (JST) bukanlah sesuatu yang mudah. Cara alternatif untuk menemukan arsitektur terbaik dari Jaringan Saraf Tiruan ada beberapa yaitu trial and error (Rafika, 2017).
3
Berdasarkan hasil penelitian yang pernah dilakukan oleh peneliti lain, metode Jaringan Saraf Tiruan Backpropagation memiliki kemampuan yang baik dalam mengenali pola suatu data sehingga dapat menghasilkan output dengan tingkat akurasi yang tinggi. Selain itu, Backpropagation memiliki kinerja yang baik untuk diterapkan pada permasalahan yang kompleks seperti prediksi cuaca untuk kemudian dilakukan pengembangan bagi penelitian ini (Yuniar, 2013).
Melihat semakin banyaknya pergerakan pesawat di Bandar Udara Radin Inten II Lampung, maka penulis mencoba mengimplementasikan metode prakiraan cuaca penerbangan berbasis jaringan saraf tiruan perambatan balik atau neural network backpropagation.
Dalam hal ini penulis mencoba fokus pada parameter maksimum dalam pengembangan perancangan informasi prakiraan cuaca berbasis Jaringan Saraf Tiruan / JST (Backpropagation) dengan menambah inputan data curah hujan, suhu, kelembaban, penyinaran matahari, tekanan udara, arah angin dan kecepatan angin.
1.2. Rumusan Masalah
Rumusan permasalahan yang akan diselesaikan dalam penelitian ini adalah mencari parameter maksimum dari algoritma yang terbaik untuk mengimplementasikan metode Jaringan Saraf Tiruan / JST (Backpropagation) dalam melakukan prediksi cuaca menggunakan bahasa pemrograman MATLAB.
4
1.3. Batasan Masalah
Adapun batasan masalah pada penelitian ini adalah:
1. Tempat atau lokasi yang digunakan untuk penelitian ini adalah Bandar Udara Radin Inten II Lampung.
2. Variabel yang diprediksi adalah hujan, penyinaran matahari, suhu, kelembaban, tekanan udara, arah dan kecepatan angina, rata-rata dalam 1 hari.
3. Data yang digunakan dari Unit Pelaksana Teknis Badan Meteorologi Klimatologi, dan Geofisika (Stasiun Meteorologi Radin Inten II Lampung) dengan rentang waktu 2017-2019.
1.4. Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1. Untuk mencari parameter maksimum yang terbaik untuk sistem prediksi cuaca dengan menggunakan metode Jaringan Saraf Tiruan / JST (Backpropagation).
2. Untuk mengimplementasikan metode Jaringan Saraf Tiruan/ JST (Backpropagation) dalam melakukan prediksi cuaca dengan bahasa pemrograman MATLAB.
1.5. Manfaat Penelitian
Penelitian ini diharapkan menjadi pondasi awal di BMKG Lampung, khususnya di Stasiun Meteorologi Radin Inten II Lampung untuk terus berinovasi dalam memanfaatkan big data yang dimiliki, kemudian membangun sistem kecerdasan buatan dalam era teknologi 4.0. Sehingga data-data yang dimiliki dapat bermanfaat untuk riset dan kemajuan di kantor Stasiun Meteorologi Radin Inten II Lampung.
5
1.6. Hipotesis Penelitian
Hipotesis dalam penelitian ini adalah sebagai berikut:
1. Parameter maksimum yang terbaik dalam algoritma pada arsitektur Jaringan Saraf Tiruan dapat menghasilkan akurasi prediksi cuaca yang optimal.
2. Sistem prediksi cuaca dapat diimplementasikan dengan bahasa pemrograman MATLAB.
II. TINJAUAN PUSTAKA
2.1. Penelitian Terdahulu
Beberapa penelitian terkait yang sudah terlebih dahulu dilakukan, adalah sebagai berikut:
1. Penelitian yang dilakukan oleh Yuniar dkk. (2013) yang berjudul Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation. Penelitian ini menggunakan aristektur multilayer yang memiliki proses perubahan bobot sehingga dapat memperkecil error.
2. Penelitian yang dilakukan oleh Handayani, dan Adri (2015) yang berjudul Penerapan JST (Backpropagation) untuk Prediksi Curah Hujan (Studi Kasus Kota Pekanbaru). Penelitian ini menggunakan fungsi aktivasi sigmoid biner dan sigmoid bipolar dengan menggunakan parameter epoch 1000, learning rate 0.01 dan error sebesar 0.001. Data yang digunakan dari stasiun BMKG kota Pekanbaru dengan fokus pengujian sistem untuk daerah wilayah Pekanbaru.
Output disesuaikan menjadi lima kategori yaitu cerah, hujan ringan, hujan sedang, hujan lebat dan hujan sangat lebat berdasarkan standar BMKG. Hasil akurasi sebesar 96% di mana sebagian besar kegagalan terdapat pada kategori hujan sedang dan hujan lebat.
7
3. Penelitian yang dilakukan oleh Muflih dkk. (2019) yang berjudul Jaringan Saraf Tiruan Backpropagation untuk Prediksi Curah Hujan di Wilayah Kabupaten Wonosobo. Sistem Jaringan Saraf Tiruan sebagai prediksi curah hujan di wilayah Kabupaten Wonosobo menggunakan metode backpropagation untuk mengukur tingkat curah hujan yang turun dalam kurun waktu tertentu, menggunakan data curah hujan Stasiun 24 Wanganaji tahun 2009-2011 sebagai pelatihan dan pengujian. Arsitektur jaringan yang digunakan adalah 12-10-1, terdiri dari 12 nilai masukan data curah hujan 12 bulan, 10 neuron hidden layer dan 1 nilai keluaran data curah hujan bulan berikutnya, Mean Squared Error (MSE) adalah rata-rata perbedaan kuadrat antara nilai taksiran dan nilai sebenarnya, MSE yang diperoleh pada pelatihan 0.00099899 dicapai pada epoch yang ke 161, dengan koefisien koerelasi R yang dihasilkan sebesar 0.99205, MSE pada pengujian jaringan diperoleh dengan nilai 0.17042.
2.2. Kajian Teori 2.2.1. Cuaca
Cuaca adalah keadaan seketika atau saat ini dari atmosfer dan terukur dalam hal suhu, tekanan atmosfer, dew point, kecepatan angin, arah angin, awan, visibilitas, dan curah hujan. Secara umum, cuaca yang berdampak ke permukaan bumi terjadi di troposfer. Parameter cuaca diukur dengan instrumen yang berbeda (Rafika, 2017).
8
1. Suhu
Suhu merupakan suatu ukuran untuk kehangatan relatif pada suatu objek atau substansi yang akan mempermudah untuk membandingkan suatu objek atau substansi atau dengan standarnya masing-masing. Suhu berbeda dengan panas, dimana panas merupakan bentuk dari energi, sedangkan suhu merupakan efek dari yang diproduksi oleh energi.
Alat yang digunakan untuk mengukur suhu sehingga dapat dibaca dalam bentuk skala adalah termometer. Terdapat beberapa skala suhu, tetapi hanya tiga yang digunakan secara luas yaitu skala Kelvin, Celsius, dan Fahrenheit. Peneliti biasanya menggunakan skala Kelvin, dimana suhu ditulis dalam satuan K tanpa simbol derajat. Skala suhu Celsius biasanya digunakan dalam kehidupan sehari-hari, dan ditulis dengan satuan °C. Skala suhu Fahrenheit ditulis dalam satuan °F. Skala lainnya salah satunya adalah Reamur, yang saat ini cukup jarang digunakan (Rafika, 2017).
2. Tekanan Udara
Tekanan udara merupakan suatu gaya yang dihasilkan oleh berat udara yang berada diatasnya. Berat dari atmosfir merupakan besar dari tekanan gravitasi yang menarik massa atmosfir. Karena tekanan udara disebabkan oleh gravitasi, maka akan bekerja kearah bawah. Tekanan udara dihasilkan oleh pergerakan molekul udara. Semakin banyak molekul udara, maka semakin besar tekanan yang dihasilkan. Tekanan udara bervariasi sesuai dengan suhu dan masa jenis udara, dimana semuanya saling berhubungan sesuai dengan hukum gas ideal. Tekanan udara akan berkurang sesuai dengan ketinggian, karena jarak menuju puncak atmosfir dan berat udara yang
9
berada diatasnya akan berkurang. Alat yang digunakan untuk mengukur tekanan udara adalah barometer. Barometer dapat mengukur tekanan udara karena hukum barometrik, yang mana menyebutkan bahwa tekanan udara menyeimbangkan berat dari semua udara yang berada didaerah yang ditinjau (Rafika, 2017).
3. Kecepatan dan Arah Angin
Angin merupakan pergerakan dari udara yang dihasilkan dari perbedaan distribusi tekanan udara. Udara memiliki kecenderungan bergerak dari daerah yang bertekanan tinggi menuju daerah yang bertekanan rendah. Angin secara umum berhembus secara horizontal, tetapi bisa dapat memiliki komponen vertikal.
Arah angin selalu diartikan sebagai arah dari mana angin berhembus dan bukan kemana angin berhembus. Arah angin dapat ditunjukkan oleh alat penunjuk arah angin yaitu wind vane atau aerovane. Arah angin ditunjukkan dalam satuan derajat yang dihitung searah jarum jam dimulai dari utara yang menunjukkan 0°, tetapi biasanya dengan simbol derajat yang tidak dituliskan. Kecepatan angin merupakan suatu nilai yang menunjukkan angin bergerak.
Kecepatan angin dapat diukur dengan anemometer atau aerovane dan hanya mengukur kecepatan saja tanpa memasukkan nilai arah angin. Kecepatan angin untuk keperluan umum, biasanya ditunjukkan dengan satuan meter per jam (mph) atau kilometer per jam (km/h). Pada keperluan penerbangan digunakan satuan knot.
Sedangkan peneliti biasanya menggunakan meter per detik (m/s) (Rafika, 2017).
10
4. Humidity (Kelembapan)
Humidity atau kelembapan digunakan untuk menunjukkan jumlah uap air dalam udara. Ada banyak cara untuk mengungkapkan humidity, dapat melalui absolute humidity yang menunjukkan perbandingan massa uap air dengan volume udara, atau specific humidity yang menunjukkan perbandingan massa uap air dengan massa udara. Sedangkan umumnya, humidity ditunjukkan dengan relative humidity (RH). Relative humidity adalah rasio dari jumlah uap air sebenarnya dalam udara dibandingkan dengan jumlah maksimum uap air yang dibutuhkan untuk saturasi pada temperatur dan tekanan tertentu (Rafika, 2017).
Instrumen yang digunakan untuk mengukur humidity adalah psychrometer dan hygrometer. Dan kini humidity dapat diukur melalui radar, citra satelit, dan weather balloon yang membawa radiosonde.
5. Hujan
Hujan adalah salah satu bentuk dari precipitation yang terbentuk saat titik-titik air turun ke permukaan bumi dari awan. Perubahan fase yang dialami air menjadi uap air kemudian air kembali dalam bentuk precipitation.
Proses perubahan air menjadi uap air akan terjadi saat temperatur semakin meningkat karena intensitas penyinaran matahari. Uap air tersebut akan bergerak secara vertikal ke atas karena memiliki tekanan yang rendah. Suhu udara di lapisan atas sangat rendah dan jika uap air mencapai titik dew point maka akan mengalami saturasi dan RH dapat menjadi 100%. Beberapa uap air yang tidak mengalami saturasi akan menjadi condensation nuclei yang kemudian saling berkumpul dalam massa tertentu dan disebut awan.
11
Suhu udara yang semakin panas akan menyebabkan nilai RH menurun dan uap air yang mengalami saturasi sebelumnya akan kembali ke bentuk semula dalam bentuk titik air. Beberapa titik air akan saling berkumpul dan menjadi besar. Saat udara tidak mampu menahan beratnya, maka titik-titik air akan turun dan terjadi precipitation (Rafika, 2017).
6. Penyinaran Matahari
Lama penyinaran matahari merupakan satu dari beberapa unsur cuaca. Lama penyinaran matahari atau durasi penyinaran matahari (Periodisitas) adalah lamanya matahari bersinar cerah pada permukaan bumi yang dihitung mulai dari matahari terbit hingga terbenam. Besarnya lama penyinaran matahari ditulis dalam satuan jam atau dalam satuan persen.
Pengukuran lama penyinaran matahari di Indonesia dilakukan dengan menggunakan alat yaitu campbell stokes dan kartu pias. Campbell stokes terdiri dari bola pejal terbuat dari bahan gelas dengan diameter 4 inchi yang dipasangkan pada kedudukannya sehingga sinar matahari dapat difokuskan ke arah kartu pias dengan tajam. Kartu pias adalah kartu berskala sebagai alat perekam radiasi matahari. Kartu pias tebuat dari karton, berwarna biru gelap, dapat menyerap dan mudah terpenyinaran oleh radiasi matahari (Rafika, 2017).
2.2.2. Jaringan Saraf Tiruan (JST) 1. Sejarah Jaringan Saraf Tiruan
Jaringan Saraf Tiruan dibuat pertama kali pada tahun 1943 oleh neurophysiologist Waren McCulloch dan logician Walter Pits, namun teknologi yang tersedia pada saat itu belum memungkinkan mereka berbuat lebih jauh. Jaringan Saraf Tiruan
12
didefinisikan sebagai susunan dari elemen-elemen penghitung yang disebut neuron atau titik (node) yang saling terhubung guna dimodelkan untuk meniru fungsi otak manusia. Jaringan Saraf Tiruan dicirikan dengan adanya proses pembelajaran (learning) yang berfungsi untuk mengadaptasi parameter-parameter jaringan.
Bobot dalam jaringan yang diusulkan oleh McCulloch dan Pitts diatur untuk melakukan fungsi logika sederhana. Fungsi aktivasi yang dipakai adalah fungsi threshold (Rafika, 2017).
Tahun 1958, Roserb latt memperkenalkan dan mulai mengembangkan model jaringan yang disebut perceptron. Metode pelatihan diperkenalkan untuk mengoptimalkan hasil iterasinya. Widrow dan Hoff (1960) mengembangkan perceptron dan memperkenalkan aturan pelatihan jaringan yang dikenal sebagai aturan delta. Rumelhat (1986) mengembangkan perceptorn menjadi backpropagation yang memungkinkan jaringan diproses melalui beberapa layer.
Selain itu, beberapa model lainnya dikembangkan oleh Kohenen (1972), Hopfield (1982), dan lainnya. Pengembangan yang ramai dibicarakan sejak tahun 1990an adalah aplikasi model-model Jaringan Saraf Tiruan untuk menyelesaikan berbagai masalah di dunia nyata.
2. Jaringan Saraf Tiruan Perambatan Balik (backpropagation)
Jaringan Saraf Tiruan merupakan sistem pemrosesan informasi yang memiliki karakteristik kinerja yang sama dengan jaringan Saraf biologis. Jaringan Saraf Tiruan telah dikembangkan sebagai generalisasi dari model matematik untuk kesadaran manusia atau Saraf biologi, dengan asumsi dasar bahwa (Yuniar, 2013):
13
a. Informasi yang diproses muncul sebagai beberapa elemen sederhana yang disebut neuron.
b. Sinyal dilewatkan diantara neuron menggunakan link koneksi.
c. Setiap link koneksi memiliki bobot tertentu, yang mana pada jaringan Saraf secara umum, melipat gandakan sinyal yang ditransmisikan.
d. Setiap neuron mengaplikasikan fungsi aktivasi menuju masukan jaringan (gabungan bobot dari sinyal masukan) untuk menentukan sinyal keluaran.
Jaringan Saraf Tiruan ditandai dengan adanya:
a. Pola koneksi antara neuron disebut arsitektur.
b. Metode untuk menghitung bobot pada koneksi disebut training atau learning.
c. Fungsi aktivasi. Yang merupakan fungsi penghubung antara bobot nilai yang diperoleh dengan inputan.
Jaringan saraf tiruan perambatan balik merupakan perbaikan dari jaringan saraf tiruan lapisan tunggal yang memiliki keterbatasan dalam pengenalan pola, yaitu dengan cara menambahkan satu/beberapa lapisan tersembunyi antara lapisan masukan dan keluaran. Perambatan balik melatih jaringan untuk memperoleh keseimbangan antara kemampuan jaringan mengenali pola yang digunakan selama pelatihan serta kempampuan jaringan memberikan tanggapan yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan (Siang, J.J, 2005). Gambar 2.1 adalah arsitektur jaringan saraf perambatan balik (backpropagation) dengan n buah masukan (ditambah sebuah panjar), sebuah layar tersembunyi terdiri dari p unit (ditambah sebuah panjar) dan m buah unit keluaran.
14
Gambar 2.1 Arsitektur Jaringan Saraf Tiruan
Dalam perambatan balik, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat, yaitu kontinu, terdiferensial dengan mudah dan merupakan fungsi yang tidak turun. Fungsi yang memenuhi syarat-syarat tersebut dan sering dipakai dalam jaringan saraf perambatan balik adalah fungsi sigmoid biner (memiliki range antara 0 dan 1) dan fungsi sigmoid bipolar (memiliki range antara -1 dan 1). Menurut (Fausett L, 1994) persamaan fungsi sigmoid biner dan turunannya adalah :
𝑓(𝑥) = 1
1+e-x (2.1)
𝑓′(𝑥) = 𝑓(𝑥)(1 − 𝑓(𝑥)) (2.2) Persamaan fungsi sigmoid bipolar dan turunannya adalah :
𝑓(𝑥) = 1+𝑒2−𝑥− 1 (2.3) 𝑓′(𝑥) = 1+𝑓(𝑥)(1−𝑓(𝑥))
2 (2.4)
a. Proses Pembelajaran Perambatan Balik
Pembelajaran jaringan saraf tiruan meliputi 3 tahap yaitu perambatan maju, perambatan mundur dan perubahan bobot (Fausett L, 1994). Pada tahap perambatan
15
maju, setiap unit masukan menerima sinyal dan menyebarkan sinyal tersebut ke setiap unit pada lapisan tersembunyi setelah dikalikan dengan bobotnya masing- masing melalui hubungan antara lapisan masukan dengan lapisan tersembunyi.
Seluruh sinyal yang masuk ke setiap unit pada lapisan tersembunyi akan dijumlahkan dan diproses dengan fungsi aktifasi sehingga akan dihasilkan sinyal keluaran yang langsung disebar ke setiap unit pada lapisan keluaran (jika memiliki lebih dari satu lapisan tersembunyi maka sinyal tersebut akan disebar ke lapisan tersembunyi berikutnya). Setiap unit pada lapisan keluaran akan menerima sinyal dari setiap unit pada lapisan tersembunyi yang sudah dikalikan dengan bobot pada hubungan antara lapisan masukan dengan lapisan tersembunyi. Seluruh sinyal yang masuk ke setiap unit pada lapisan keluaran akan dijumlahkan dan diproses dengan fungsi aktifasi sehingga akan dihasilkan sinyal keluaran. Seluruh sinyal keluaran dari setiap unit pada lapisan keluaran merupakan respon dari jaringan saraf tiruan terhadap satu pola masukan (Fausett L, 1994).
Pada tahap perambatan balik, sinyal keluaran dari setiap unit pada lapisan keluaran akan dibandingkan dengan targetnya masing-masing yang telah didefinisikan untuk pola masukan tersebut sehingga akan dihasilkan error (kesalahan) untuk setiap unitnya. Kesalahan yang dihasilkan oleh setiap unit pada lapisan keluaran digunakan untuk meng-update bobot di antara lapisan tersembunyi dengan lapisan keluaran dan didistribusikan ke lapisan sebelumnya yaitu lapisan tersembunyi.
Setiap unit pada lapisan tersembunyi akan menjumlahkan seluruh sinyal kesalahan yang masuk dari setiap unit pada lapisan keluaran dan menghitung kesalahannya.
Sinyal kesalahan yang dihasilkan dari setiap unit pada lapisan tersembunyi akan digunakan untuk meng-update bobot di antara lapisan masukan dan lapisan
16
tersembunyi (jika memiliki lebih dari satu lapisan tersembunyi maka sinyal kesalahan tersebut digunakan untuk meng-update bobot diantara lapisan tersembunyi dengan lapisan tersembunyi sebelumnya) (Fausett L, 1994).
Pada tahap penyesuaian bobot, akan dihitung bobot baru dengan menjumlahkan bobot lama dengan perubahan bobot di antara lapisan. Ketiga tahap tersebut dilakukan berulang-ulang untuk setiap pasangan pelatihan (vektor pelatihan dan target pelatihan). Satu epoch adalah satu cycle (putaran) dari pasangan pelatihan yang pertama sampai pasangan pelatihan yang terakhir. Proses pembelajaran memerlukan banyak epoch dan akan berhenti jika menemukan bobot akhir dengan total kesalahan yang telah didefinisikan di dalam program.
b. Algoritma Perambatan Balik
Melakukan inisialisasi semua bobot pada layer tersembunyi dan layer keluaran, tetapkan fungsi aktivasi yang digunakan pada setiap layer. Tetapkan laju pembelajaran. Inisialisasi semua bobot bisa menggunakan bilangan acak dalam jangkauan [-0.5, 0.5] atau menggunakan distribusi uniform dalam jangkauan kecil:
𝑥𝑛𝑖 =(max𝑥𝑖−min(𝑥)(𝑥)−min(𝑥)0,8)+ 0,1 (2.5) dengan :
𝑥𝑛𝑖 adalah data normalisasi dari variabel input ke n min(𝑥) adalah data nilai minimum input 𝑥𝑖
max(𝑥) adalah data nilai maksimum input 𝑥𝑖
Langkah 0: Inisialisasi bobot keterhubungan antara neuron dengan menggunakan bilangan acak kecil (-0.5 sampai +0.5).
17
Langkah 1: Kerjakan langkah 2 sampai langkah 9 selama kondisi berhenti yang ditentukan tidak dipenuhi (Fausett L, 1994).
Langkah 2: Kerjakan langkah 3 sampai langkah 8 untuk setiap pasangan pelatihan.
Perambatan maju (feedforward) Langkah 3:
- Setiap unit masukan (xi) menerima sinyal masukan xi , dan menyebarkannya ke seluruh unit pada lapisan tersembunyi.
Langkah 4:
- Setiap unit pada lapisan tersembunyi menjumlahkan seluruh sinyal yang masuk.
𝑧_𝑖𝑛𝑗 = 𝑏𝑜𝑗+ ∑𝑛𝑖=1𝑥𝑖. 𝑣𝑖𝑗
( masukan untuk lapisan tersembunyi ) (2.6) dengan :
𝑧_𝑖𝑛𝑗= adalah masukan untuk lapisan tersembunyi
𝑏𝑜𝑗 =adalah bias awal dari nilai variabel inputan menuju lapisan tersembunyi 𝑥𝑖 = adalah data normalisasi dari variabel input ke n.
𝑣𝑖𝑗= adalah bobot awal dari nilai variabel inputan menuju lapisan tersembunyi - Setiap unit pada lapisan tersembunyi memakai fungsi aktifasi untuk
menghasilkan sinyal keluaran.
𝑧𝑗 = 𝑓(𝑧_𝑖𝑛𝑗)
( keluaran dari lapisan tersembunyi ) (2.7) - zj didistribusikan ke seluruh neuron pada lapisan keluaran.
Langkah 5:
- Setiap unit pada lapisan keluaran menjumlahkan seluruh sinyal yang masuk.
𝑦_𝑖𝑛𝑘 = 𝑏𝑜𝑘+ ∑𝑝𝑗=1𝑧𝑗𝑤𝑗𝑘
( masukan untuk lapisan keluar ) (2.8)
18
dengan :
𝑦_𝑖𝑛𝑘 = adalah masukan untuk lapisan keluar
𝑏𝑜𝑘 =adalah bias awal dari nilai lapisan tersembunyi menuju lapisan keluaran 𝑧𝑗 = adalah keluaran lapisan tersembunyi.
𝑤𝑗𝑘= adalah bobot awal dari lapisan tersembunyi menuju lapisan keluaran - Setiap unit pada lapisan keluaran memakai fungsi aktifasi untuk menghasilkan
sinyal keluaran.
𝑦(𝑘) = 𝑓(𝑦_𝑖𝑛𝑘)
( keluaran dari lapisan keluaran ) (2.9)
Perambatan balik (backpropagation) Langkah 6:
- Setiap unit pada lapisan keluaran menghitung informasi error antara sinyal yang dihasilkan dengan target dari pola.
𝛿𝑘 = (𝑡𝑘 − 𝑦𝑘)𝑓′(𝑦_𝑖𝑛𝑘) (2.10) dengan :
𝛿𝑘 = adalah informasi nilai Error keluaran 𝑡𝑘 =adalah target keluaran
𝑦𝑘 = adalah nilai keluaran dari lapisan keluaran atau Output.
𝑓′(𝑦_𝑖𝑛𝑘)= adalah lapisan keluaran memakai fungsi akfitasi.
- Menghitung koreksi bobot.
∆𝑤𝑗𝑘 = 𝛼𝛿𝑘𝑧𝑗 (2.11)
- Menghitung koreksi bias.
∆𝑤𝑜𝑘 = 𝛼𝛿𝑘 (2.12)
- Kirimkan k ke unit di bawahnya (lapisan tersembunyi).
19
Langkah 7:
- Setiap unit pada lapisan tersembunyi menjumlahkan seluruh sinyal yang masuk..
𝛿_𝑖𝑛𝑗 = ∑𝑚𝑘=1𝛿𝑘𝑤𝑗𝑘
( masukan untuk lapisan tersembunyi ) (2.13) - Setiap unit pada lapisan tersembunyi menghitung informasi error.
𝛿𝑗 = 𝛿_𝑖𝑛𝑗𝑓′(𝑧_𝑖𝑛𝑗) (2.14) - Menghitung koreksi bobot.
∆𝑣𝑖𝑗 = 𝛼𝛿𝑗𝑥𝑖 (2.15)
- Menghitung koreksi bias.
∆𝑣𝑜𝑗 = 𝛼𝛿𝑗 (2.16)
Penyesuaian bobot Langkah 8:
- Update bobot dan bias pada hubungan antar lapisan.
𝑤𝑗𝑘(𝑏𝑎𝑟𝑢) = 𝑤𝑗𝑘(𝑙𝑎𝑚𝑎) + ∆𝑤𝑗𝑘 (2.17) 𝑣𝑖𝑗(𝑏𝑎𝑟𝑢) = 𝑣𝑖𝑗(𝑙𝑎𝑚𝑎) + ∆𝑣𝑖𝑗 (2.18) Langkah 9:
- Kondisi berhenti pelatihan tercapai (test stopping condition).
20
2.2.3. Standar Keselamatan Penerbangan Bandar Udara Radin Inten II Lampung
Gambar 2.2 Posisi Run way Bandar Udara Radin Inten II Lampung
Cuaca penerbangan adalah cuaca yang diperuntukkan khusus untuk dunia penerbangan, baik untuk saat lepas landas, mendarat maupun selama penerbangan.
Berdasarkan informasi dari regulator Bandar Udara Radin Inten Lampung penerbangan dinilai dari dua faktor, yaitu faktor dalam dan faktor luar. Faktor dalam berasal dari armada pesawat itu sendiri, baik itu berupa kesiapan armada, awak pesawat, muatan pesawat, dokumen dan sertifikat pesawat. Sedangkan faktor luar
21
dipengaruhi oleh faktor alam, dalam hal ini cuaca penerbangan. Keadaan cuaca yang sangat mempengaruhi kelancaran penerbangan adalah angin, jarak pandang serta awan. Khusus untuk kebutuhan lepas landas dan pendaratan di bandara, kecepatan angin, arah angin serta jarak pandang menjadi acuan utama untuk menentukan apakah suatu pesawat dikatakan layak untuk lepas landas atau mendara di bandara tersebut. Ketentuan kelayakan keadaan angin dan jarak pandang pada tiap bandara berbeda-beda, tergantung spesifikasi teknis dari bandara itu sendiri (Setiawan, 2019).
Untuk Bandar Udara Radin Inten II Lampung yang landasannya membentang sepanjang 3000 meter dari barat laut ke tenggara memiliki kondisi cuaca minimal sendiri sesuai dengan kondisi landasan serta alat bantu navigasi pesawat untuk pendarata atau Instrument Landing System (ILS). Bandar Udara Radin Inten II Lampung memiliki run way (RWY 14) dan run way (RWY 32) (Setiawan, 2019).
2.2.4. Prediksi Cuaca
Prediksi cuaca pada dasarnya berarti melakukan prediksi bagaimana keadaan atmosfer yang sekarang akan berubah (Ahrens, 2003). Jika ingin melakukan prediksi cuaca, kondisi cuaca yang sekarang pada area yang sangat luas harus diketahui. Informasi tersebut diperoleh, sebuah jaringan antar stasiun observasi cuaca ditempatkan di seluruh dunia. Lebih dari 10.000 stasiun cuaca dan ratusan kapal memberikan informasi cuaca permukaan empat kali sehari. Kebanyakan bandar udara melakukan observasi kondisi cuaca setiap jam, khususnya data cuaca di atas udara atas yang diperoleh dari radiosonde, pesawat terbang, dan satelit.
22
Pada pertengahan tahun 1950-an, seluruh peta dan grafik cuaca diplot menggunakan tangan dan dianalisa secara individu. Ahli meteorologi melakukan prediksi menggunakan beberapa aturan tertentu terkait dengan sistem cuaca tertentu yang dimaksud. Prediksi cuaca jangka pendek kurang dari 6 jam, sistem cuaca permukaan akan bergerak pada kecepatan yang stabil. Grafik udara atas akan digunakan untuk memprediksi dimana permukaan badai akan terbentuk dan dimana sistem tekanan udara atas akan meningkat atau melemah. Posisi yang telah diprediksi pada sistem ini akan diekstrapolasi untuk ke masa depan menggunakan teknik grafik linear dan peta cuaca.
Pengalaman akan berperan penting dalam melakukan prediksi. Pada beberapa kasus, prediksi dengan metode ini akan akurat, dan secara umum sudah cukup baik.
Tetapi, seiring dengan semakin majunya komputer moderen, dan juga teknik observasi yang semakin maju, metode prediksi yang sekarang lebih baik. Salah satu metode prediksi cuaca yang digunakan adalah prediksi cuaca secara numerik (Rafika, 2017).
Prediksi cuaca secara numerik merupakan suatu disiplin ilmu baru yang berkembang secara dasar pada paruh kedua abad ke dua puluh dengan memberikan banyak manfaat secara kontinyu pada bidang komputasi. Komputer moderen dapat menganalisa data yang berjumlah sangat banyak dengan waktu yang sangat cepat.
Setiap hari, data yang diperoleh dari ribuan observasi akan ditransmisikan dan diolah menggunakan komputer berkecepatan tinggi. Prediksi cuaca dengan menggunakan komputer disebut dengan prediksi cuaca numerik (numerical weather prediction).
23
Teknik yang telah diterapkan, digunakan untuk menyelesaikan persamaan dari tingkah laku atmosfer, yang mana hal ini digunakan untuk melakukan komputasi nilai parameter karakteristik atmosfer di masa depan secara numerik (Coiffier, 2011).
III. METODE PENELITIAN
3.1. Waktu dan Tempat Penelitian
Penelitian ini dilaksanakan di Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung, selama enam bulan yaitu dari bulan Januari 2022 sampai Juni 2022 dimulai dari penyusunan proposal sampai dengan pelaporan hasil penelitian.
3.2. Alat dan Bahan Penelitian 3.2.1. Alat Penelitian
Alat yang digunakan dalam penelitian ini antara lain adalah:
1. Perangkat lunak Microsoft Office Word
Perangkat lunak Microsoft Office Word digunakan untuk menuliskan proposal dan laporan penelitian.
2. Perangkat lunak Microsoft Office Excel
Perangkat lunak Microsoft Office Excel digunakan untuk menyusun dan menyajikan data cuaca.
3. Perangkat lunak MATLAB
Perangkat lunak MATLAB digunakan untuk mengolah data cuaca dan mengimplementasikan sistem prediksi.
25
3.2.2. Bahan Penelitian
Sedangkan bahan yang digunakan dalam penelitian ini adalah berupa data harian kondisi meteorologi di wilayah Bandar Udara Radin Inten II Lampung dari Stasiun Meteorologi Radin Inten II selama 3 tahun terakhir yaitu dari tahun 2017 hingga tahun 2019. Data tersebut dibutuhkan sebagai data masukan untuk algoritma yang akan digunakan dalam penelitian.
Variabel cuaca yang digunakan antara lain adalah suhu, kelembapan, hujan, penyinaran matahari, tekanan udara, arah dan kecepatan angin. Jumlah data total selama 3 tahun terakhir adalah sebanyak 1095 data. Yang kemudian data tersebut di filter menjadi beberapa bagian yaitu data saat cuaca tidak hujan, data hujan ringan, dan data hujan sedang dengan total 180 data sebagai data latih dan 39 data uji. Spesifikasi teknis data input dalam pelatihan JST secara lengkap disajikan pada Tabel 3.1 Spesifikasi data latih dalam program JST dan Tabel 3.2 Spesifikasi data uji dalam program JST berikut ini.
24 Tabel 3.1. Spesifikasi data latih dalam program JST
Tgl Data Hujan
Data Penyinaran
Matahari
Data Suhu
Data Kelembaban
Data Tekanan
QFF
Data Tekanan
QFE
Data kecepatan
Angin
Data Arah Angin
Kreteria Hujan (Actual)
03-02-17 0.0 0.1375 26.8 80 1011.0 1000.7 2.2 225 Tdk Hujan
04-02-17 0.0 0.725 28.0 70 1010.7 1000.4 1.5 225 Tdk Hujan
05-02-17 0.0 0.2125 27.2 75 1010.2 1000.0 1.5 225 Tdk Hujan
07-02-17 0.0 0.825 27.5 74 1009.5 999.2 3.6 315 Tdk Hujan
17-02-17 0.0 1 27.6 79 1012.9 1002.7 4.6 315 Tdk Hujan
26-02-17 0.0 0.6125 26.1 87 1009.3 999.1 3.0 315 Tdk Hujan
02-03-17 0.0 0.925 27.2 82 1010.8 1000.5 3.3 315 Tdk Hujan
11-03-17 0.0 0.5375 26.8 83 1010.1 999.8 3.4 315 Tdk Hujan
20-03-17 0.0 0.3375 27.5 80 1009.1 998.8 3.2 315 Tdk Hujan
24-03-17 0.0 0.8125 27.4 82 1009.4 999.2 3.1 315 Tdk Hujan
31-03-17 0.0 0.5 27.6 73 1009.7 999.4 3.5 360 Tdk Hujan
01-04-17 0.0 0.8375 28.3 74 1012.3 1002.0 3.0 270 Tdk Hujan
02-04-17 0.0 0.35 25.7 88 1012.2 1001.9 2.7 225 Tdk Hujan
04-04-17 0.0 0.5125 27.6 71 1011.4 1001.1 4.3 225 Tdk Hujan
05-04-17 0.0 0.7875 28.4 70 1010.2 999.9 3.9 225 Tdk Hujan
13-04-17 0.0 0.6875 28.4 75 1011.2 1001.0 3.0 270 Tdk Hujan
14-04-17 0.0 0.7 28.0 79 1011.5 1001.2 3.4 135 Tdk Hujan
15-04-17 0.0 0.7 27.9 77 1011.6 1001.3 2.9 135 Tdk Hujan
18-04-17 0.0 0.8125 27.9 78 1011.3 1000.9 2.9 135 Tdk Hujan
22-04-17 0.0 0.6125 27.0 83 1011.9 1001.6 1.8 45 Tdk Hujan
01-06-18 0.0 1 28.4 75 1011.1 1000.8 5.0 225 Tdk Hujan
02-06-18 0.0 0.875 28.2 75 1010.9 1000.6 4.4 315 Tdk Hujan
25 Tgl Data
Hujan
Data Penyinaran
Matahari
Data Suhu
Data Kelembaban
Data Tekanan
QFF
Data Tekanan
QFE
Data kecepatan
Angin
Data Arah Angin
Kreteria Hujan (Actual)
03-06-18 0.0 0.8625 28.4 78 1010.7 1000.5 5.7 90 Tdk Hujan
04-06-18 0.0 0.7125 28.3 78 1010.4 1000.1 7.1 135 Tdk Hujan
05-06-18 0.0 0.9125 28.7 79 1012.1 1001.9 7.5 90 Tdk Hujan
06-06-18 0.0 0.85 28.5 76 1012.2 1001.9 3.8 135 Tdk Hujan
07-06-18 0.0 0.875 27.8 79 1011.9 1001.7 3.9 45 Tdk Hujan
08-06-18 0.0 0.875 27.9 75 1011.5 1001.3 6.4 135 Tdk Hujan
09-06-18 0.0 0.8625 28.2 76 1011.3 1001.0 5.2 90 Tdk Hujan
10-06-18 0.0 0.8375 28.4 74 1013.4 1003.1 3.3 135 Tdk Hujan
11-06-18 0.0 0.725 26.4 85 1012.8 1002.5 3.3 135 Tdk Hujan
16-06-18 0.0 0.875 27.5 80 1011.8 1001.5 6.2 90 Tdk Hujan
19-06-18 0.0 0.925 27.2 72 1012.4 1002.1 6.8 90 Tdk Hujan
20-06-18 0.0 0.7625 27.4 79 1011.8 1001.5 5.2 90 Tdk Hujan
01-07-18 0.0 0.475 26.3 82 1011.0 1000.7 4.4 45 Tdk Hujan
02-07-18 0.0 0.875 26.5 80 1012.0 1001.7 3.9 90 Tdk Hujan
03-07-18 0.0 0.9625 26.5 77 1013.0 1002.8 7.1 135 Tdk Hujan
04-07-18 0.0 0.8625 26.8 75 1012.2 1001.9 5.6 135 Tdk Hujan
06-07-18 0.0 0.7375 25.5 70 1010.3 1000.1 5.9 45 Tdk Hujan
07-07-18 0.0 0.8625 26.0 71 1011.1 1000.9 7.2 90 Tdk Hujan
08-02-19 0.0 0.6 26.8 83 1012.2 1001.9 5.7 270 Tdk Hujan
14-02-19 0.0 1 28.3 81 1012.6 1002.3 7.6 315 Tdk Hujan
18-02-19 0.0 0.575 27.3 84 1013.1 1002.8 3.8 90 Tdk Hujan
21-02-19 0.0 0.6125 27.7 84 1013.4 1003.1 5.4 315 Tdk Hujan
22-02-19 0.0 0.875 26.6 86 1013.0 1002.7 7.8 225 Tdk Hujan
26 Tgl Data
Hujan
Data Penyinaran
Matahari
Data Suhu
Data Kelembaban
Data Tekanan
QFF
Data Tekanan
QFE
Data kecepatan
Angin
Data Arah Angin
Kreteria Hujan (Actual)
24-02-19 0.0 0.7875 26.7 86 1010.6 1000.2 6.5 315 Tdk Hujan
26-02-19 0.0 0.7125 28.1 80 1010.4 1000.0 6.6 45 Tdk Hujan
27-02-19 0.0 0.55 25.7 89 1009.1 998.7 8.0 225 Tdk Hujan
01-03-19 0.0 0.9875 27.2 83 1010.6 1000.3 6.9 270 Tdk Hujan
03-03-19 0.0 0 26.0 88 1009.7 999.3 4.4 180 Tdk Hujan
08-03-19 0.0 0.9125 27.3 80 1011.0 1000.6 6.3 225 Tdk Hujan
11-03-19 0.0 0.5625 25.3 88 1011.7 1001.4 4.9 315 Tdk Hujan
30-03-19 0.0 1 28.7 75 1011.6 1001.2 4.9 90 Tdk Hujan
31-03-19 0.0 0.9375 27.7 80 1012.2 1001.9 3.2 225 Tdk Hujan
03-04-19 0.0 0.725 27.9 74 1012.2 1001.8 4.9 315 Tdk Hujan
04-04-19 0.0 0.8625 28.0 77 1012.2 1001.9 5.9 270 Tdk Hujan
06-04-19 0.0 0.875 27.7 79 1011.9 1001.5 5.7 180 Tdk Hujan
07-04-19 0.0 0.8125 27.5 82 1011.3 1000.9 5.3 270 Tdk Hujan
10-04-19 0.0 0.5375 26.9 85 1011.3 1001.0 2.9 180 Tdk Hujan
16-04-19 0.0 0.4125 27.5 82 1011.4 1001.0 5.0 225 Tdk Hujan
01-01-17 1.8 0.4625 26.1 88 1009.5 999.2 1.6 315 Ringan
02-01-17 9.5 0.9125 27.8 79 1010.0 999.7 1.8 315 Ringan
03-01-17 0.1 0.525 28.0 81 1010.0 999.7 3.5 315 Ringan
04-01-17 0.1 0.5 26.7 83 1008.9 998.6 3.6 315 Ringan
05-01-17 4.5 0.2625 26.6 84 1008.6 998.4 3.0 360 Ringan
06-01-17 2.8 0.625 26.4 89 1008.6 998.4 1.5 360 Ringan
07-01-17 8.0 0.475 25.9 88 1008.2 997.9 3.0 90 Ringan
08-01-17 0.1 0.9 27.7 82 1007.9 997.7 2.5 90 Ringan
27 Tgl Data
Hujan
Data Penyinaran
Matahari
Data Suhu
Data Kelembaban
Data Tekanan
QFF
Data Tekanan
QFE
Data kecepatan
Angin
Data Arah Angin
Kreteria Hujan (Actual)
09-01-17 3.6 0.5 27.1 83 1007.4 997.1 2.6 315 Ringan
10-01-17 4.6 0.925 26.6 86 1008.8 998.6 4.0 315 Ringan
12-01-17 7.8 0.4 26.2 86 1009.6 999.4 1.4 315 Ringan
13-01-17 8.3 0.4625 26.7 78 1009.1 998.9 3.3 270 Ringan
14-01-17 15.5 0.0875 26.5 78 1009.7 999.4 3.2 225 Ringan
15-01-17 0.1 0.825 27.5 78 1010.6 1000.3 3.2 270 Ringan
16-01-17 0.8 0.175 26.1 81 1011.0 1000.7 2.2 315 Ringan
17-01-17 0.1 0.175 27.0 75 1010.3 1000.1 1.2 225 Ringan
18-01-17 0.1 0.3875 27.5 74 1012.1 1001.8 2.7 135 Ringan
19-01-17 0.1 0.9875 28.0 71 1012.0 1001.8 4.5 225 Ringan
20-01-17 0.1 0.7875 27.6 81 1010.9 1000.6 2.8 360 Ringan
21-01-17 6.8 0.05 26.1 88 1011.7 1001.5 2.7 315 Ringan
05-07-18 0.1 0.35 25.6 78 1012.1 1001.8 1.2 225 Ringan
10-07-18 1.8 0.6375 26.7 80 1011.2 1000.9 4.2 90 Ringan
18-07-18 0.1 0.95 26.5 70 1010.8 1000.6 7.7 135 Ringan
22-07-18 7.5 0.9625 27.7 75 1012.8 1002.5 7.3 135 Ringan
25-08-18 1.5 0.3 27.0 78 1010.9 1000.6 6.6 90 Ringan
26-08-18 0.1 0.6625 27.4 74 1011.2 1000.9 9.6 90 Ringan
31-08-18 2.0 0.175 24.9 87 1012.5 1002.3 7.9 135 Ringan
09-09-18 5.0 0.9375 27.1 62 1012.8 1002.6 8.7 90 Ringan
17-09-18 0.1 1 27.2 68 1011.4 1001.1 9.2 135 Ringan
19-09-18 6.0 0.125 24.6 88 1011.9 1001.7 6.3 90 Ringan
20-09-18 1.6 0 24.8 90 1011.7 1001.4 6.0 90 Ringan
28 Tgl Data
Hujan
Data Penyinaran
Matahari
Data Suhu
Data Kelembaban
Data Tekanan
QFF
Data Tekanan
QFE
Data kecepatan
Angin
Data Arah Angin
Kreteria Hujan (Actual)
21-09-18 13.5 0.1625 24.8 82 1012.3 1002.0 6.3 360 Ringan
22-09-18 0.1 0.8875 27.8 70 1012.8 1002.5 5.5 45 Ringan
28-09-18 1.5 1 28.2 71 1011.0 1000.7 10.0 90 Ringan
04-10-18 8.3 0.7625 28.4 75 1011.9 1002.0 8.3 90 Ringan
24-10-18 5.0 0.775 27.7 75 1013.9 1003.6 7.8 135 Ringan
28-10-18 0.8 0.35 27.9 77 1013.0 1002.2 5.5 135 Ringan
29-10-18 2.0 0.6 28.6 75 1012.2 1001.7 8.3 135 Ringan
31-10-18 9.0 0.725 27.7 78 1010.2 1000.0 6.5 90 Ringan
01-11-18 1.0 0.513 26.8 81 1010.1 999.8 4.8 45 Ringan
01-01-19 6.0 0.2 26.1 85 1012.8 1002.4 3.9 225 Ringan
02-01-19 18.4 0.6125 27.6 76 1012.7 1002.3 7.4 225 Ringan
03-01-19 3.5 0.6125 27.2 77 1012.8 1002.4 9.4 225 Ringan
04-01-19 0.1 0.9 28.1 72 1013.2 1002.9 7.1 225 Ringan
05-01-19 1.5 0.9875 27.7 78 1013.0 1002.6 6.9 225 Ringan
06-01-19 0.1 0.8375 28.4 74 1012.7 1002.3 5.0 45 Ringan
07-01-19 0.1 0.5125 26.4 84 1012.6 1002.2 5.9 360 Ringan
08-01-19 7.0 0.95 28.5 78 1013.0 1002.7 4.9 135 Ringan
09-01-19 0.1 0.4625 27.0 82 1012.3 1002.0 5.1 45 Ringan
10-01-19 0.1 0.7125 27.0 84 1011.7 1001.3 4.6 315 Ringan
11-01-19 0.1 0.7875 28.2 76 1011.1 1000.7 6.6 315 Ringan
12-01-19 7.0 0.875 27.6 82 1011.1 1000.7 5.6 315 Ringan
16-01-19 0.1 0.4625 26.1 85 1010.9 1000.5 7.2 315 Ringan
17-01-19 10.5 0.825 28.6 74 1009.4 998.9 6.3 225 Ringan
29 Tgl Data
Hujan
Data Penyinaran
Matahari
Data Suhu
Data Kelembaban
Data Tekanan
QFF
Data Tekanan
QFE
Data kecepatan
Angin
Data Arah Angin
Kreteria Hujan (Actual)
18-01-19 0.1 0.675 28.0 81 1008.7 998.4 8.5 315 Ringan
19-01-19 7.0 0.4125 27.5 78 1010.2 999.9 7.1 270 Ringan
20-01-19 0.1 0.4125 27.6 80 1010.0 999.6 5.9 315 Ringan
21-01-19 0.1 0.55 26.3 86 1010.6 1000.2 10.1 315 Ringan
23-01-19 7.2 0.625 27.5 79 1011.5 1001.2 8.1 315 Ringan
24-01-19 0.5 0.6375 26.8 84 1011.7 1001.4 8.1 315 Ringan
11-01-17 31.3 0.45 26.0 89 1010.4 1000.2 2.7 135 Sedang
11-02-17 21.5 0.3 26.2 85 1011.5 1001.2 5.6 315 Sedang
15-02-17 48.9 0.75 25.9 86 1013.9 1003.6 4.0 315 Sedang
28-02-17 21.0 0.2125 25.6 89 1010.4 1000.2 1.5 270 Sedang
22-03-17 33.3 0.2 27.0 87 1009.2 999.0 3.1 315 Sedang
08-04-17 20.5 0.7375 27.2 80 1009.5 999.3 3.3 315 Sedang
10-04-17 42 0.7625 27.1 86 1010.2 1000.0 2.9 45 Sedang
11-04-17 40.5 0.3875 26.9 86 1010.3 1000.1 1.9 45 Sedang
26-04-17 32.3 0.475 25.8 89 1011.4 1001.2 2.1 360 Sedang
06-05-17 43.0 0.9375 27.3 82 1013.0 1002.8 6.0 90 Sedang
09-05-17 39.4 0.6875 27.1 86 1010.8 1000.5 5.2 90 Sedang
01-06-17 33.5 0.05 25.9 87 1012.4 1002.2 4.9 135 Sedang
27-06-17 21.0 0.3875 26.3 85 1011.9 1001.6 4.9 135 Sedang
28-09-17 42.1 0.8875 27.2 78 1012.2 1002.0 5.8 135 Sedang
15-11-17 20.3 0.375 26.0 87 1010.3 1000.1 2.4 135 Sedang
18-11-17 24.1 0.675 27.7 78 1009.3 999.1 5.4 135 Sedang
28-11-17 50.0 0.075 27.6 74 1007.8 997.5 3.5 225 Sedang
30 Tgl Data
Hujan
Data Penyinaran
Matahari
Data Suhu
Data Kelembaban
Data Tekanan
QFF
Data Tekanan
QFE
Data kecepatan
Angin
Data Arah Angin
Kreteria Hujan (Actual)
08-12-17 22.0 0.275 25.7 87 1011.7 1001.5 3.9 360 Sedang
09-12-17 41.5 0.325 27.1 79 1012.0 1001.7 6.9 315 Sedang
12-12-17 34.0 0 25.4 88 1012.0 1001.7 4.6 225 Sedang
06-01-18 26.0 0.1125 26.4 79 1009.8 999.5 4.6 180 Sedang
11-01-18 38.0 0.6 26.1 79 1011.8 1001.5 3.7 270 Sedang
31-01-18 31.5 0.8875 28.3 77 1010.0 999.7 3.9 315 Sedang
08-02-18 24.3 0.4625 25.9 87 1012.1 1001.8 7.2 315 Sedang
11-02-18 49.8 0.7625 25.5 86 1012.6 1002.3 6.1 315 Sedang
16-02-18 25.2 1 27.9 77 1012.8 1002.5 4.3 315 Sedang
23-02-18 39.7 0 24.9 91 1010.5 1000.2 4.1 315 Sedang
26-02-18 22.8 0.175 25.2 90 1011.0 1000.8 1.8 270 Sedang
03-03-18 29.0 0.4375 25.7 87 1009.1 998.8 4.1 315 Sedang
05-03-18 38.6 0.475 25.3 88 1010.5 1000.2 5.8 315 Sedang
06-03-18 31.5 0.7375 26.9 81 1010.6 1000.3 4.6 360 Sedang
10-03-18 31.4 0.975 26.4 86 1010.5 1000.2 7.4 270 Sedang
17-03-18 30.7 0.6875 25.6 88 1011.2 1000.9 3.2 45 Sedang
02-04-18 22.0 0.7375 25.9 85 1010.1 999.9 5.9 225 Sedang
28-04-18 32.5 0.3875 27.4 81 1012.5 1002.3 4.9 90 Sedang
23-05-18 30.6 0 24.5 94 1011.4 1001.2 1.0 45 Sedang
27-05-18 37.5 0.3 26.0 90 1009.9 999.6 2.0 225 Sedang
12-06-18 23.0 0.9125 27.5 82 1012.6 1002.3 4.5 135 Sedang
21-06-18 21.0 0.0625 25.1 92 1013.0 1002.7 3.5 90 Sedang
25-06-18 26.9 0 23.7 92 1012.2 1002.0 1.5 180 Sedang
