PERANCANGAN SISTEM PREDIKSI CUACA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) UNTUK KEBUTUHAN PENERBANGAN DI BANDARA JUANDA - SURABAYA

Transkripsi

1 PERANCANGAN SISTEM PREDIKSI CUACA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) UNTUK KEBUTUHAN PENERBANGAN DI BANDARA JUANDA - SURABAYA Iftikar Luthfi Ramadhan, Syamsul Arifin, Bambang Lelono Widjiantoro Department of Engineering Physics, Faculty of Industrial Technology ITS Surabaya Indonesia 60111, iftikarluthfi, syamsul, blelono@ep.its.ac.id Abstrak---Cuaca memegang peranan penting dalam dunia penerbangan, dimana sebanyak 13% kecelakaan pesawat diakibatkan oleh faktor cuaca. Untuk mengurangi angka tersebut diperlukan adanya tindakan antisipasi terhadap bahaya yang akan ditimbulkan oleh cuaca dalam suatu penerbangan. Prediksi cuaca telah menjadi langkah antisipasi sejak lama, namun hal tersebut masih berupa pendekatan statistik. Sedangkan cuaca sendiri merupakan faktor alam yang terlalu kompleks untuk pendekatan macam itu, sehingga diperlukan metode lain yang berbasis kepakaran yang mampu menganalisa gejala non-linier pada atmosfer. Variabel curah hujan harian, visibilitas, kecepatan, dan arah angin diprediksi dengan menggunakan model ANFIS. Variabel curah hujan diprediksi melalui nilai suhu dan kelembaban rata-rata per hari, sedangkan 3 variabel lainnya diprediksi berdasarkan nilai dari masing-masing variabel di waktu lampau. Didapat model terbaik untuk prediksi curah hujan esok hari dengan sebesar mm/hari. Untuk prediksi visibilitas 1-6 jam didapat sebesar km, kecepatan angin didapat sebesar knots, sedangkan untuk arah angin didapat sebesar rad. Kata kunci : ANFIS, angin, curah hujan, kelayakan penerbangan, visibilitas. I PENDAHULUAN A. Latar Belakang Sistem prediksi cuaca konvensional merupakan salah satu persamaan matematis paling kompleks yang dapat diselesaikan oleh komputer. Kuantitas dalam jumlah besar, yang berasal dari satelit, stasiun darat dan sensor yang terletak di seputar planet kita ini memberikan informasi yang dibutuhkan untuk peramalan kondisi cuaca pada hitungan beberapa jam. Semakin berkembangnya kebutuhan manusia, mengakibatkan semakin banyaknya tuntutan dari berbagai pihak yang membutuhkan informasi kondisi atmosfer yang lebih cepat, lengkap, dan akurat. Dalam perkembangannya kini, laporan cuaca bisa memberikan prakiraan cuaca pada 24, 48, dan 72 jam untuk cakupan area yang luas (Pasero, 2004). Dalam bidang transportasi udara, cuaca sangat berpengaruh terhadap aspek keselamatan, sehingga prediksi yang akurat akan sangat membantu untuk mengurangi angka kecelakaan yang diakibatkan oleh faktor cuaca. Berdasarkan dari FAA (Federasi 1 Keselamatan Penerbangan Amerika, 2007), penyebab utama kecelakaan dalam dunia penerbangan ada tiga, yaitu faktor manusia (66,7%), faktor armada (pesawat terbang) yang digunakan (27,1%), dan faktor cuaca (13,2%). Pada awal tahun 2011 saja tercatat dua insiden pesawat tergelincir yang terjadi berturut-turut selama dua hari, keduanya tergelincir saat proses mendarat ditengah cuaca buruk di bandara yang sama di Indonesia. Jika saja keadaan cuaca dapat diprediksi terlebih dahulu, pilot akan bisa mempelajari keadaan dengan lebih hati-hati, dan tentunya kemungkinan terjadinya kesalahan saat operasi bisa dikurangi. Sebenarnya Badan Meteorologi Klimatologi dan Geofisika (BMKG) telah memprediksi cuaca untuk penerbangan dengan metode statistik, namun kemungkinan salah prediksi terhadap kondisi cuaca masih besar dikarenakan adanya faktor alam yang terlalu kompleks untuk bisa didekati secara rumus matematik (Syamsul Arifin, 2009). Poin tersebut merupakan salah satu kesimpulan yang dapat ditarik dari penelitian sebelumnya yaitu peramalan cuaca dengan pendekatan non-linier fuzzy clustering (Syamsul Arifin, 2007), dimana metode ini mampu melakukan prediksi sebanayak 211 prediksi dengan tepat untuk uji sebanyak 304 hari. Selanjutnya prediksi kecepatan angin dengan menggunakan logika fuzzy (Ilham Yorinda, 2010), dimana telah mampu melakukan prediksi sebanyak 243 prediksi dengan tepat untuk uji sebanyak 365 hari. Penelitian kali ini bertujuan untuk memprediksi kondisi cuaca yang berhubungan dengan penerbangan, dimana variabel yang akan diprediksi adalah visibilitas, arah dan kecepatan angin, serta curah hujan. Ketiga variabel pertama akan dijadikan logika penalaran untuk kelayakan suatu penerbangan, dan curah hujan hanya digunakan untuk kebutuhan prediksi saja. Metode yang digunakan merupakan gabungan dua metode yaitu logika fuzzy yang mampu menggunakan variabel linguistik sebagai salah satu base dalam pengambilan keputusan untuk prediksi cuaca dan jaringan syaraf tiruan yang mempunyai kemampuan untuk beradaptasi karena variabel-variabel atmosfir yang bersifat non-linier. Kedua metode itu akan digabungkan dalam metode Adaptive Neuro Fuzzy Inference System (ANFIS) dengan tujuan untuk mempertinggi tingkat ketepatan prediksi cuaca tersebut. B. Permasalahan Permasalahan dari penelitian ini adalah bagaimana merancang sistem prediksi cuaca menggunakan Adaptive Neuro Fuzzy Inference System (ANFIS), yang selanjutnya bisa didapatkan rekomendasi untuk kelayakan penerbangan di Bandara Juanda Surabaya.

2 C. Batasan Masalah Batasan permasalahan dalam penelitian ini adalah: 1. Data yang diambil berupa cuaca untuk penerbangan dari BMKG di bandara Juanda Surabaya. 2. Obyek analisa yaitu di wilayah bandara Juanda Surabaya, sehingga hasil prediksi cuaca hanya terbatas pada daerah pengambilan saja. 3. Variabel cuaca penerbangan yang akan diprediksi yaitu, kecepatan angin, arah angin, visibilitas, serta curah hujan. 4. Penentuan model terbaik, didasarkan pada nilai. Model yang dipilih adalah yang mempunyai terkecil. 5. Cuaca penerbangan yang dimaksud adalah cuaca yang diperuntukkan khusus untuk dunia penerbangan, yaitu informasi cuaca pada saat lepas landas dan mendarat. 6. Standard kelayakan penerbangan yang digunakan dalam penelitian ini berasal dari Civil Aviation Safety Regulation (CASR), dimana Air Traffic Controller (ATC) sebagai pemegang kewenangan dalam lepas landas dan pendaratan pesawat terbang. D. Tujuan dan Manfaat Penelitian Tujuan dari penelitian ini adalah dapat merancang sistem prediksi cuaca menggunakan Adaptive Neuro Fuzzy Inference System (ANFIS), sehingga bisa didapatkan rekomendasi untuk kelayakan penerbangan di Bandara Juanda Surabaya. Manfaat dari penelitian ini adalah pihak manajemen bandara (ATC) dan pilot dapat terbantu dalam pengambilan keputusan untuk melakukan lepas landas atau pendaratan pesawat. II TEORI PENUNJANG A. Adaptive Neuro Fuzzy Inference System (ANFIS) ANFIS adalah penggabungan mekanisme fuzzy inference system yang digambarkan dalam arsitektur jaringan syaraf. Sistem inferensi fuzzy yang digunakan adalah sistem inferensi fuzzy model Tagaki-Sugeno-Kang (TSK) orde satu dengan pertimbangan kesederhanaan dan kemudahan komputasi. Salah satu contoh ilustrasi mekanisme inferensi fuzzy TSK orde satu dengan dua masukan x dan y serta keluaran f. Ketiga variable tersebut memiliki nilai parameter awal untuk mendefinisikan derajat keanggotannya pada logika fuzzy, parameterparameter itulah yang akan melalui proses pembelajaran seperti pada arsitektur jaringan syaraf. Parameter akhir yang didapat akan dioperasikan untuk mendapatkan nilai keluaran f. Fungsi Keanggotaan ANFIS Fungsi keanggotaan fuzzy masukan (premis) yang digunakan adalah fungsi Gaussian yang dirumuskan. (2.1) Gambar 1 Fungsi keanggotaan Gaussian Fungsi Gaussian pertama-tama akan dipakai sebagai fungsi keanggotaan dari masukan, dan kita tentukan sekehendak kita parameter awal σ, c dan jumlah himpunan fuzzy masukan. Nantinya parameter premis σ, c akan berubah seiring dilakukannya pembelajaran. Struktur ANFIS Struktur ANFIS yang menggambarkan sistem fuzzy TSK seperti yang bisa digambarkan dalam diagram blok atau disebut arsitektur jaringan syaraf feedforward seperti ini: X Y A1 A2 B1 B2 Π Π W1 W2 Gambar 2 Struktur ANFIS 5 Lapisan Maka terlihat strukrur ANFIS seperti jaringan syaraf (neural-network). Pada Gambar 2 terlihat sistem neuro-fuzzy terdiri atas lima lapisan dengan fungsi yang berbeda untuk tiap lapisannya. Tiap lapisan terdiri atas beberapa simpul yang dilambangkan dengan kotak atau lingkaran. Lambang kotak menyatakan simpul adaptif artinya nilai parameternya bisa berubah dengan pembelajaran dan lambang lingkaran menyatakan simpul nonadaptif yang nilainya tetap. B. Algoritma Pembelajaran Hybrid Pembelajaran ANFIS adalah pengubahan parameter fungsi keanggotaan masukan dan keluaran dengan menggunakan algoritma perambatan balik atau algoritma hybrid. Algoritma hybrid adalah gabungan antara algoritma backpropagation dan RLSE (Recursive Least Squares Estimator) yang digunakan untuk memperbaharui parameter premis. N N W1' W2' XY XY Σ f 2

3 Tabel 1 Proses Pembelajaran Hybrid ANFIS Langkah maju Langkah mundur Parameter Tetap Gradient Descent Premis Parameter RLSE Tetap konsekuen Sinyal Keluaran Simpul Laju kesalahan ANFIS dilatih dengan algoritma pembelajaran hybrid, yang terdiri dari dua langkah, yaitu langkah maju dan langkah mundur. Pada langkah maju, masukan jaringan akan merambat maju sampai pada lapisan keempat, parameter premis tetap, sedangkan parameter konsekuensi diidentifikasi dengan metode RLSE. Dengan parameter premis tetap (maka w i juga tetap), dan keluaran keseluruhan dapat dinyatakan dengan kombinasi linier dari parameter konsekuensi. Masukan jaringan akan merambat maju sampai pada lapisan keempat, dimana parameterparameter p, q dan r akan diidentifikasi. Pada langkah backpropagation (error) antara keluaran yang diinginkan dan keluaran aktual dirambatkan mundur sedangkan parameter premis diperbaharui dengan metode gradient descent. C. Cuaca dan Pengaruhnya Terhadap Penerbangan Cuaca adalah keadaan udara pada saat tertentu dan di wilayah tertentu yang relatif sempit dan pada jangka waktu yang singkat. Cuaca itu terbentuk dari gabungan unsur cuaca dan jangka waktu cuaca bisa hanya beberapa jam saja. Di Indonesia keadaan cuaca selalu diumumkan untuk jangka waktu sekitar 24 jam melalui prakiraan cuaca hasil analisis Badan Meteorologi Klimatologi dan Geofisika (BMKG), Departemen Perhubungan. Cuaca Penerbangan adalah cuaca yang diperuntukan khusus untuk dunia penerbangan, baik untuk saat lepas landas, mendarat maupun selama penerbangan. Informasi cuaca ini diberikan setiap waktu pada saat pesawat akan merencanakan penerbangan yang disesuaikan dengan jadwal penerbangan. Informasi cuaca pada saat lepas landas, selama perjalanan dan mendarat meliputi beberapa unsur cuaca, yaitu suhu udara, tekanan, angin, kelembaban, dan curah hujan. Pengaruh Angin Terhadap Penerbangan Angin terjadi akibat adanya perbedaan tekanan. Udara bergerak dari daerah yang bertekanan tinggi ke daerah yang bertekanan rendah. Perbedaan tekanan disebabkan oleh adanya perbedaan suhu, dan besar perbedaan itulah yang menentukan besar kecilnya aliran udara. Klasifikasi kecepatan angin menurut definisi dari BMKG terlihat seperti pada Tabel. Tabel 2 Definisi Angin Menurut BMKG No Jenis Angin Kecepatan 1 Angin Ringan 1-5 Knot 2 Angin Sedang 6 18 Knot 3 Angin Kencang Knot 4 Angin Sangat Kencang > 35 Knot Unsur arah angin diperlukan untuk menentukan dari mana dan kemana pesawat akan lepas landas maupun 3 mendarat dengan memperhitungkan kecepatan angin yang sedang terjadi, sedangkan selama perjalanan dimanfaatkan untuk mempertahankan posisi pesawat saat di udara. Perubahan arah dan kecepatan angin permukaan yang signifikan dilaporkan seketika itu juga untuk keselamatan penerbangan saat lepas landas maupun mendarat. Pesawat terbang akan melakukan pendaratan dan lepas landas menuju arah ngnya angin, namun juga memperhatikan landasan contoh: Pada landasan yang memenjang dari barat hingga timur Jika angin berasal dari barat maka pesawat akan lepas landas maupun landing menujubarat Jika angin berasal dari timur maka pesawat akan lepas landas maupun landing menuju timur Angin kencang bukan menjadi kendala utama penerbangan di bandara juanda Surabaya, karena angin kencang (19 30 Knot) yang terjadi di area bandara Juanda Surabaya hanya terjadi kurang dari 3 menit, namun tetap menjadi salah satu syarat kelayakan pendaratan dan lepas landas demi keselamatan penerbangan. Bandara Juanda Surabaya terletak membentang dari sisi timur ke barat pada radius 280 dan radius 100, sehingga pengukuran kecepatan angin dilakukan pada ujung run way r28 dan r10, hal ini dilakukan karena pengukuran di kedua titik tersebut berbeda satu sama lain yang disebabkan karena panjang runway 3500 m sehingga menyebabkan bentuk lintasan yang sedikit melengkung (bentuk bumi). Pengukuran di 2 titik tersebut diperlukan karena mempengaruhi take off dan landing pesawat dari dan ke arah mana. Pengaruh Jarak Pandang Terhadap Penerbangan Untuk pesawat yang tidak otomatis, informasi jarak pandang sangat diperlukan dalam hal pendaratan, baik jarak pandang vertikal maupun horizontal, 1. Jarak pandang vertikal : erat kaitannya dengan saat pesawat akan melakukan pendaratan saat masih di udara, hal ini pentig untuk mengetahui posisi dan sisa runway landasan agar pendaratan dapat dilakukan dengan tepat. 2. Jarak pandang horizontal : erat kaitannya dengan saat pesawat sudah mulai mendarat di dekat permukaan Faktor yang mempengaruhi jarak pandang disebabkan oleh kondisi cuaca buruk. Di bandara juanda kondisi cuaca diukur menggunakan radar dan software. D. Kelayakan Penerbangan Berdasarkan informasi dari regulator Bandara Juanda Surabaya, kelayakan 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 kapal. Sedangkan faktor luar 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 mendarat di bandara tersebut.

4 Ketentuan kelayakan keadaan angin dan jarak pandang pada tiap bandara berbeda-beda, tergantung spesifikasi teknis dari bandara itu sendiri. Untuk Bandara Juanda yang landasannya membentang sepanjang m dari barat ke timur memiliki kondisi cuaca minimal sendiri sesuai dengan kondisi landasan serta alat bantu navigasi pesawat untuk pendaratan atau Instrument Landing System (ILS) kategori I. Arah angin akan menentukan arah landasan mana yang akan digunakan untuk mendarat dan lepas landas. Pesawat selalu lepas landas dan mendarat menuju arah ngnya angin (berlawanan). Uniknya pada Bandara Juanda, arah landasan yang berbeda memiliki kriteria jarak pandang minimal yang berbeda pula. Hal itulah yang mendasari pertimbangan dalam menentukan suatu pesawat dikatakan layak atau tidak untuk lepas landas dan mendarat di Bandara Juanda pada waktu tertentu. Peralatan ILS dilengkapi dengan PIR (Portable ILS Receiver) yang terpisah dari sistem monitor ILS dan berfungsi untuk menerima dan memonitor sinyal pancaran dari pemancar Localizer pada titik-titik yang telah ditentukan (check point) dengan acuan garis tengah landas pacu, sehingga apabila di tiap-tiap derajat pada titik-titik tersebut ditemukan nilai yang tidak semestinya, dapat segera dilakukan pengukuran oleh teknisi. III METODOLOGI PENELITIAN A. Alur Penelitian Pada bagian ini akan dibahas tentang langkahlangkah penelitian dan perancangan model ANFIS yang digunakan untuk memprediksi cuaca penerbangan di langit daerah Bandara Juanda Surabaya. Adapun alur penelitian dapat dilihat pada blok diagram dibawah ini, Tabel 3 Kondisi Cuaca Minimal ATC Juanda Landasan Jarak Pandang Wind Maksimal (Runway) Minimal RW m 18 Knot RW m 18 Knot Dari Tabel dapat dilihat bahwa jika angin bertiup cenderung dari timur ke barat, maka landasan yang digunakan adalah RW 10, dimana memiliki jarak pandang minimal sejauh 1600m dan kecepatan angin maksimal 18 Knot. Sedangkan jika angin bertiup cenderung dari barat ke timur, maka landasan yang digunakan adalah RW 28, dimana memiliki jarak pandang minimal yang lebih ketat yaitu sejauh 1600m dan kecepatan angin maksimal 18 Knot. E. Instrument Landing System (ILS) ILS adalah sebuah alat Bantu pendaratan yang bekerja untuk memberikan panduan secara akurat pada garis tengah landas pacu, sudut pendaratan dan memberikan informasi jarak kepada penerbang untuk melakukan pendaratan dalam segala cuaca. Instrument Landing System, dalam kerjanya merupakan gabungan dari beberapa peralatan pemancar gelombang radio yang membentuk satu konfigurasi sistem dengan fungsi dan kegunaan yang berbeda. Peralatan ILS yang terdiri dari :Localizer, Glide Path, Inner Marker, Middle Marker dan Outer Marker, seperti yang terlihat pada Gambar. Gambar 3 Pola sinyal localizer dan glideslope 4 Gambar 4 Alur Penelitian B. Pengambilan dan Pengolahan Data Dalam penelitian ini, digunakan berupa kondisi meteorologi di wilayah Bandara Juanda. Terdapat 6 variabel cuaca yang digunakan, yaitu : kecepatan angin (knots), arah angin (degree), suhu udara ( 0 C), jarak pandang (km), kelembaban (%), dan curah hujan (mm/day). Keenam variabel cuaca ini diukur oleh BMKG Juanda sebagai bagian dari Automated Weather Observed System (AWOS). Semua variabel ini kemudian direkam dengan interval 1 jam selama 4 tahun yaitu dari mulai 1 Januari 2007 s/d 31 Desember 2010, kecuali untuk variabel curah hujan yang direkam dengan interval 1 hari. Koordinat Pengambilan ini adalah S LS dan E BT pada ketinggian 2,8 m dari permukaan laut.

5 Data yang didapat kemudian dibagi menjadi dua, yaitu yang digunakan untuk serta yang akan digunakan untuk validasi. Untuk yang akan digunakan sebagai dipilih pada tahun 2007 s/d 2009, sedangkan yang akan digunakan sebagai validasi adalah pada tahun ANFIS Curah hujan (Multivariate) Curah hujan (Time series) Jarak pandang n jam Kecepatan angin n jam Arah angin n jam Tabel 4 Persiapan Data ANFIS Data Masukan Temperatur rata-rata per hari Kelembaban rata-rata per hari Curah hujan hari ini Curah hujan kemarin Jarak pandang (t) jam Jarak pandang (t-n) jam Kecepatan angin (t) jam Kecepatan angin (t-n) jam Arah angin (t) jam Arah angin (tn) jam Data Keluaran Curah hujan besok Curah hujan besok Jarak pandang (t+n) jam Kecepatan angin (t+n) jam Arah angin (t+n) jam Jumlah Data Training Jumlah Data Validasi Dilakukan eksperimen dengan berbagai model ANFIS. Hal yang mempengaruhi dari model ANFIS ini adalah jenis serta jumlah masukan jaringannya. Ada dua macam model ANFIS yaitu, ANFIS time series dan ANFIS multi variate. ANFIS time series menggunakan masukan yang sama dengan keluaran, akan tetapi berbeda dalam kerangka waktunya. Variabel cuaca yang akan dimodelkan adalah kecepatan angin, arah angin, jarak pandang permukaan, serta curah hujan. Ketiga variabel pertama akan diprediksi dalam waktu 1, 3, 5, dan 6 jam. Sedangkan curah hujan hanya memprediksi 1 hari. Sebagai masukanan adalah dari masing-masing variabel pada saat ini dan n jam/hari kebelakang. Untuk ANFIS multi variate, menggunakan variabel masukan yang berbeda dengan variabel keluaran yang akan dimodelkan. Variabel lain tersebut dianggap mempunyai pengaruh dalam pergerakan variabel keluaran, sehingga dimodelkan untuk dijadikan prediksi nilai diwaktu yang akan ng. Variabel keluaran yang dimodelkan dengan multi variate adalah curah hujan. C. Perancangan Model ANFIS Digunakan bantuan software MATLAB 7.8 untuk membuat model ANFIS. Arsitektur jaringan dapat dilihat pada gambar 3.2. X dan Y merupakan masukan jaringan,sedangkan Z merupakan keluaran jaringan. Terdapat 5 lapisan pada arsitektur ANFIS ini. Lapisan pertama merupakan simpul adaptif, dimana parameter premis dapat berubah. Masing-masing node merupakan fungsi keanggotaan dari masukannya. Fungsi keanggotaan yang digunakan adalah fungsi Generalized-Bell. Keluaran lapisan pertama dapat dirumuskan dengan: X Y A1 A2 B1 B2 Π Π W1 W2 Gambar 5 Struktur ANFIS 2 masukan N N W1' W2' Σ (3.1) (3.2) Lapisan kedua adalah simpul nonadaptif. Simpul ini mengalikan setiap sinyal masukan. (3.3) Lapisan ketiga menampilakan fungsi derajat ternormalisasi (normalized firing strength) XY XY (3.4) Lapisan keempat merupakan lapisan yang adaptif. Pada lapisan ini terdapat aturan-aturan fuzzy. Parameter konsekuen dapat berubah dengan pembelajaran. Aturan pada lapisan ini adalah: Aturan 1 = Aturan 2 = Aturan 3 = Aturan 4 = Dan Lapisan kelima adalah lapisan nonadaptif yang fungsinya menjumlahkan semua masukan: (3.5) Digunkan metode Backpropagation Gradient Descent dan Recursive Least Square Estimator (RLSE) untuk pembelajaran. Alogaritma ini dimulai dengan masukan diberikan kepada jaringan. Setelah itu dilakukan penetapan nilai awal parameter premis, dimana parameter ini akan diperbarui sejalan dengan pembelajaran yang dilakukan. Fuzifikasi dilakukan untuk mentransformasikan sinyal masukan yang bersifat crisp ( bukan fuzzy ) ke himpunan fuzzy dengan menggunakan operator fuzzifikasi. Fuzzy AND function yaitu mengalikan semua sinyal masukan. Normalized firing strength yaitu rasio keluaran simpul ke-i pada lapisan f 5

6 sebelumnya terhadap seluruh keluaran lapisan sebelumnya. Selanjutnya dilakukan inisialisasi parameter konsekuen dan penetapan fuzzy rule base. Dan pada simpul terakhir dilakukan agregerasi yaitu semua masukanan dijumlahkan. Setelah didapatkan hasil keluara simpul maka dihitung nilai -nya, apabila tidak sesuai dilakukan pembaruan parameter premis dengan alogaritma backpropagation dan pembaruan parameter konsekuen dengan recursive LSE. Alogaritma pembelajaran pada ANFIS dapat diketahui pada diagram blok di bawah ini. Start Input Insialisasi parameter premis menunjukkan jumlah dan jumlah kolom menunjukkan jumlah variabel, sedangkan pada kolom terakhir merupakan variabel target keluaran jaringan. Selanjutnya digunakan anfis editor matlab untuk merancang model jaringan. Syntax anfisedit diketikkan pada command window dan dimasukankan ke dalam jaringan ini dan akan nampak seperti pada Gambar 3.4. Kemudian ditentukan tipe dan jumlah fungsi keanggotaan dari masukan dan fungsi keanggotaan keluaran. Fungsi keanggotaan masukan adalah gaussmf dan keluaran adalah linear. Untuk pembelajaran digunakan kombinasi dari backpropagation dan RLSE, untuk itu dipilih hybrid pada anfis editor. Setelah itu ditentukan jumlah iterasinya dan diatur nilai error sama dengan nol dan langsung dilakukan pembelajaran dengan meng-klik train now. Fuzzifikasi Pembelajaran dengan alogaritma RLSE Fuzzy AND Function Normalized Firing Strengths Insialisasi parameter konsekuen Pembelajaran dengan alogaritma Backpropagation Fuzzy Rule Base Aggregeration Gambar 7 Contoh ANFIS Editor MATLAB Penghitungan nilai tidak Sesuai? ya Model ANFIS Stop Gambar 6 Alogaritma pembelajaran pada model ANFIS Selanjutnya jaringan adaptif tersebut dapat kita latih untuk mendapatkan nilai parameter premis. Dengan permisalan b = 1, maka nilai a dan c dapat dihitung dengan cara (3.6) Untuk melakukan perbaikan a dan c tersebut, digunakan model propagasi error dengan konsep gradient descent. Parameter-parameter ini dinamakan dengan parameter premis dimana nilainya akan berubah dengan dilakukannya pembelajaran. Misal jaringan adaptif mempunyai 5 lapisan seperti pada Gambar 3.2 di atas, terdapat (L) neuron pada lapisan ke-l, maka jumlah kuadarat error (SSE) pada lapisan ke-l ke-p, 1 p N, adalah (3.7) MATLAB : Langkah-langkah yang dilakukan untuk memodelkan cuaca penerbangan menggunakan software matlab adalah sebagai berikut, yang pertama dilakukan adalah mempersiapkan masukan-keluaran untuk jaringan pada workspace matlab. Jumlah baris 6 Gambar 8 Menentukan MF masukan dan keluaran Gambar 9 Contoh struktur ANFIS

7 Gambar 3.5 merupakan fungsi keanggotaan yang ditentukan pada awal dan setelah dilakukan pembelajaran parameter premis akan berubah. Untuk struktur jaringan dapat dilihat pada Gambar 3.6. Pada gambar tersebut terdapat 2 masukan dan masing-masnig masukan mempunyai 3 fungsi keanggotaan. Jaringan ini memiliki 1 keluaran. Selanjutnya adalah gambar rule viewer dimana kita bisa melihat hasil keluaran jaringan dengan memberikan nilai random pada masukanan. IV ANALISA DATA DAN PEMBAHASAN A. Curah Hujan Pada perancangan model curah hujan dibandingkan antara model multivariate dan time-series. Kedua model tersebut berbeda dalam penggunaan prediktor, dimana multivariate menggunakan variabel lain sebagai prediktor sedangkan time-series menggunakan variabel yang sama namun berbeda kerangka waktunya. Gambar 10 Contoh rule viewer FIS Aturan dari jaringan dapat diatur pada rule editor seperti pada gambar di bawah ini. Pada contoh ANFIS ini terdapat 9 aturan yang dapat dilihat pada Gambar 3.8. Gambar 11 Contoh rule editor D. Implementasi Model Pada Software Prediktor Java Setelah model cuaca didapatkan dan telah diuji validitasnya maka model tersebut diimplementasikan ke dalam bentuk software prediktor cuaca. Digunakan bahasa pemrograman Java untuk membangun software ini. Pemilihan bahasa pemrograman ini dikarenakan aplikasi yang terlahir nanti dapat digunakan dimana saja, maksudnya bahasa pemrograman Java tidak memerlukan penyesuaian yang rumit untuk dapat digunakan di desktop, website, ataupun media mobile seperti ponsel. Karena salah satu tujuan jangka panjang penelitian ini adalah mempermudah pihak yang berhubungan dengan transportasi udara untuk mengakses informasi penerbangan, sehingga pemrograman yang aplikatif pada multiplatform menjadi pilihan. Gambar 12 Curah hujan dengan model ANFIS multivariate Pada model multivariate, digunakan 2 variabel berbeda yang menjadi masukan jaringan yaitu variabel temperature ( o C) dan kelembaban udara(%) dimana nilainya merupakan rata-rata per hari. Sedangkan yang menjadi keluaran jaringannya adalah nilai curah hujan pada esok hari (mm/hari). Pertimbangan pemilihan kedua variabel tersebut sebagai masukan adalah, keduanya mempengaruhi secara langsung proses terbentuknya hujan. Kelembaban udara menunjukkan jumlah kandungan air (uap air) di udara, dan temperature mempengaruhi terjadinya penguapan air serta pemicu terpecahnya endapan sehingga menjadi hujan yang turun ke permukaan bumi. Pada Gambar dapat terlihat bahwa model ANFIS multivariate memiliki kesamaan pola dengan nilai curah hujan aktual, nilai dari model prediksi mengikuti perubahan yang terjadi pada titik tertentu meskipun tidak memiliki amplitudo yang sama. Hipotesa awal, hal tersebut dikarenakan kondisi curah hujan aktual yang berubah-ubah dengan cepat tiap harinya bahkan dapat dikatakan berubah secara ekstrim. Hal itulah yang mengakibatkan model ANFIS tidak bisa mengikuti secara baik. Disamping itu terdapat perbedaan besaran dan skala antara ketiga variabel masukan dan keluaran yang digunakan, temperature memiliki rentang o C, kelembaban udara 60 95%, dan curah hujan sebagai keluaran mempunyai skala antara mm/hari. Jaringan ANFIS sensitive terhadap perbedaan besaran dan skala (Edvin Aldrian, 2008), oleh karena itu sebelum proses dilakukan standardisasi skala dari masingmasing satuan yang awalnya mempunyai rentang yang berbeda-beda menjadi seragam semua dengan rentang antara 0 1. Dengan dilakukan standardisasi skala, dapat meningkatkan performa jaringan dari awalnya mempunyai yang besar menjadi bernilai relatif rendah yaitu sekitar mm/hari. 7

8 Gambar menjelaskan hasil simulasi model ANFIS timeseries. Pada model tersebut, jenis variabel masukan dan keluaran adalah sama yaitu curah hujan, namun berbeda secara waktu. Sebagai masukan, digunakan curah hujan pada hari ini (t) dan hari sebelumnya (t-1) untuk memprediksi nilai curah hujan di keesokan harinya (t+1). Pemilihan variabel masukan semacam ini merupakan metode yang lazim digunakan pada ANFIS model timeseries. Maksud dari metode ini adalah untuk menyelidiki trend perubahan nilai curah hujan dari (t-1) menuju ke (t), lalu pola perubahan yang didapat digunakan untuk memetakan prediksi curah hujan pada (t+1). Pada model untuk memprediksi visibilitas 1 jam (t+1), digunakan variabel masukan yaitu visibilitas saat ini (t) dan juga visibilitas pada satu jam sebelumnya (t-1). Dapat terlihat bahwa model dapat memprediksi dengan baik, pola yang terjadi sepanjang tahun 2010 dapat diikuti dengan baik. Namun masih ada kekurangan yaitu amplitude belum dapat mengikuti secara sempurna. Gambar menunjukkan hasil simulasi dari prediksi visibilitas untuk 1 jam. Gambar 14 Prediksi visibilitas 1 jam dengan model ANFIS timeseries Gambar 13 Curah hujan dengan model ANFIS timeseries Dapat kita amati pada Gambar, prediksi dari model ini mempunyai pola yang sama dengan curah hujan aktual. Namun, pola prediksi selalu terlambat dari keadaan sebenarnya. Dalam kasus ini model ANFIS mengikuti pola satu hari dibelakangnya dan masih menyimpan memori tersebut, sehingga nilai prediksi satu hari berikutnya akan tampak sama dengan nilai aktual pada hari ini. Model ini memiliki nilai sebesar mm/hari. Tabel 5 Perbandingan model ANFIS multivariate dan timeseries ANFIS Curah Hujan Multi Variate Curah Hujan Time Series (Day) Data masukan Suhu udara rata-rata Kelembaban rata-rata Curah hujan (t-1) hari Curah Hujan (t)hari validasi Val B. Visibilitas Pada perancangannya, model prediksi visibilitas hanya menggunakan ANFIS timeseries saja. Model digunakan untuk dapat memprediksi visibilitas pada 1 jam (t+1), 3 jam (t+3), 5 jam (t+5), dan 6 jam (t+6). Keempat waktu tersebut dijadikan variabel keluaran dalam jaringan. Sedangkan sebagai masukan digunakan variabel visibilitas pada saat ini (t) dan juga visibilitas pada n jam sebelumnya (t-n). Selanjutnya akan dibahas kombinasi variabel masukan yang digunakan untuk setiap variabel keluaran yang berbeda. Untuk prediksi 3 jam (t+3), 5 jam (t+5), dan 6 jam (t+6), dilakukan perancangan dengan dua model yang berbeda. Untuk perbandingan lebih jelasnya dapat dilihat pada Tabel. (a) (b) Gambar 15 (a)prediksi visibilitas 3 jam model 1, (b) Prediksi visibilitas 3 jam model 2 8

9 Pada Gambar dapat dilihat perbandingan antara kedua model dalam memprediksi visibilitas 3 jam (t+3). Antara model 1 dengan model 2, didapat hasil bahwa model 2 memiliki rentang hasil prediksi yang lebih lebar dibandingkan dengan model 1. Model 2 memiliki rentang km, sedangkan model 1 memiliki rentang km. Rentang yang lebih lebar menunjukkan bahwa nilai prediksi lebih bisa mengikuti sistem, sehingga amplitude pada tiap perubahan pola lebih mendekati nilai aktualnya. Dari fakta ini, maka didapat hasil bahwa ukuran yang digunakan untuk mempengaruhi performansi sistem prediksi yang akan terbentuk.. ANFIS Gambar 16 Prediksi visibilitas 5 jam model 2 Gambar 17 Prediksi visibilitas 6 jam model 2 Visibilitas 1 jam (t+1) Visibilitas 3 jam (t+3) Visibilitas 5 jam (t+5) Tabel 6 Perbandingan model prediksi visibilitas Data masukan Visibilitas (t) Visibilitas (t-1) Model 1 Visibilitas (t) Visibilitas (t-3) Model 2 Visibilitas (t) Visibilitas (t-1) Visibilitas (t-3) Model 1 Visibilitas (t) Visibilitas (t-5) Model 2 Visibilitas (t) Visibilitas (t-1) Visibilitas (t-3) Visibilitas (t-5) validasi Training Validasi ANFIS Visibilitas 6 jam (t+6) Data masukan Model 1 Visibilitas (t) Visibilitas (t-6) Model 2 Visibilitas (t) Visibilitas (t-1) Visibilitas (t-3) Visibilitas (t-5) Visibilitas (t-6) validasi Training Validasi Berdasarkan Tabel, jika dilihat dari nilai maka prediksi visibilitas 1 jam memiliki hasil yang lebih baik dibandingkan dengan prediksi 3, 5, atau 6 jam. Semua model dapat mengikuti pola dari nilai aktual, namun amplitude yang dihasilkan tidak bisa mengikuti sebaik prediksi 1 jam. Hal tersebut dikarenakan pola untuk prediksi 1 jam lebih mudah diikuti oleh sistem, dimana pada model prediksi 1 jam memiliki beda jangkauan yang lebih kecil dibandingkan dengan prediksi 3, 5, atau 6 jam. Penurunan kemampuan prediksi semacam itu bisa dilihat pada Gambar dan Gambar. Namun, hal tersebut dapat dikatakan wajar karena memberikan kesimpulan bahwa keakuratan prediksi akan semakin melemah seiring dengan bertambahnya jangkauan waktu prediksi. C. Kecepatan Angin Variabel kecepatan angin sebagai tolak ukur kelayakan penerbangan diprediksi dengan menggunakan model timeseries, dimana besar kecepatan angin akan diprediksi sejauh 1, 3, 5, dan 6 jam. Perancangan model didasarkan pada perancangan sebelumnya, digunakan model 2 seperti pada variabel visibilitas untuk memprediksi besar kecepatan angin di 3, 5, dan 6 jam. Hal tersebut dilakukan berdasarkan pertimbangan bahwa model 2 yang menggunakan ukuran yang lebih besar akan memberikan performa yang lebih baik pada sistem. Dari Gambar tampak bahwa hasil prediksi bisa mengikuti pola dari nilai aktual, namun amplitude yang tidak mengikuti secara sempurna tetap menjadi permasalahan. Sebagaimana pada model prediksi visibilitas, perbedaan amplitude ini disebabkan nilai aktual sebagai masukan jaringan sangat fluktuatif. Perbedaan ampitudo akan lebih tampak pada prediksi dengan jangkauan yang lebih jauh, seperti dapat dilihat pada Gambar yang memprediksi kecepatan angin 6 jam. Dapat diamati pula pada prediksi 6 jam mulai terdapat ketidak sesuaian pola, dimana model prediksi beberapa kali mengalami keterlambatan terhadap kondisi aktual. Hal tersebut disebabkan sistem menggunakan jangkauan yang besar yaitu sebesar 6 jam dibelakang, sistem masih menyimpan memori sebelumnya sehingga nilai prediksi akan mirip dengan nilai aktual beberapa jam sebelumnya.

10 Gambar 18 Prediksi kecepatan angin 1 jam knots. Dikarenakan derajat ada dalam wujud angular, maka nilai dirubah dahulu kedalam besaran radian. Hal tersebut bertujuan untuk mempermudah proses karena rentang dalam satuan radian menjadi lebih sempit sehingga mudah untuk diikuti. Seperti dapat dilihat pada Tabel model ANFIS arah angin langsung menggunakan model 2 seperti pada model visibilitas dan juga kecepatan angin. Model 2 digunakan karena menghasilkan rentang prediksi yang lebih lebar pada tiap variabel. Hal tersebut membuktikan bahwa ukuran masukan mempengaruhi proses dan performansi sistem. Rentang yang lebih lebar menunjukkan sistem prediksi lebih bisa mengikuti dinamika sistem aktual. Jika dilihat pada Gambar dan Gambar maka terlihat keduanya mampu untuk mengikuti pola arah angin aktual, namun pada prediksi 6 jam menghasilkan rentang yang lebih sempit dikarenakan jangkauan masukan yang lebih jauh. Selain itu prediksi 6 jam lebih cenderung terlambat dalam memprediksi arah angin, nilai prediksi selalu berada beberapa jam dibelakang nilai aktual. Jika dibandingkan pada Tabel maka akan terlihat bahwa prediksi arah angin 1 jam lebih kuat daripada prediksi 3 jam, 5 jam, atau 6 jam. Sekali lagi hal tersebut menunjukkan bahwa semakin jauh jangkauan model prediksi maka akan semakin lemah pula performansinya dalam memprediksi suatu variabel. Gambar 19 Prediksi kecepatan angin 6 jam Tabel 7 Perbandingan model prediksi kecepatan angin ANFIS Kec.angin 1 jam (t+1) Kec.angin 3 jam (t+3) Kec.angin 5 jam (t+5) Kec. angin 6 jam (t+6) Data masukan Kec. angin (t) Kec. angin (t-1) Kec.angin (t) Kec.angin (t-1) Kec.angin (t-3) Kec.angin (t) Kec.angin (t-1) Kec.angin (t-3) Kec.angin (t-5) Kec.angin (t) Kec.angin (t-1) Kec.angin (t-3) Kec.angin (t-5) Kec.angin (t-6) validasi Val Gambar 20 Prediksi arah angin 1 jam D. Arah Angin Variabel terakhir yang diprediksi adalah arah angin, dimana model yang digunakan adalah model timeseries. Jangkauan waktu yang diprediksi sama dengan variabel sebelumnya, yaitu sejauh 1, 3, 5, dan 6 jam. Sedikit berbeda dari variabel-variabel sebelumnya, yang diprediksi bukanlah besaran namun berupa arah dalam derajat. Rentang yang digunakan mulai dari , sedangkan 0 0 digunakan untuk mendefinisikan angin tenang dimana besar kecepatan angin saat itu bernilai 0 10 Gambar 21 Prediksi arah angin 6 jam

11 ANFIS Arah angin 1 jam (t+1) Arah angin 3 jam (t+3) Arah angin 5 jam (t+5) Arah angin 6 jam (t+6) Tabel 8 Perbandingan model prediksi arah angin Data masukan Arah angin (t) Arah angin (t-1) Arah angin (t) Arah angin (t-1) Arah angin (t-3) Arah angin (t) Arah angin (t-1) Arah angin (t-3) Arah angin (t-5 Arah angin (t) Arah angin (t-1) Arah angin (t-3) Arah angin (t-5) Arah angin (t-6) validasi Val E. Pembahasan Berdasarkan pada pemaparan hasil perancangan model di beberapa subbab sebelumnya, diketahui ada beberapa faktor yang mempengaruhi kinerja model prediksi cuaca penerbangan. Faktor-faktor yang terlibat berlaku sama pada semua variabel yang diselidiki, sehingga perancangan model terkadang dilakukan berdasarkan model variabel yang telah diselidiki sebelumnya untuk mendapatkan hasil yang terbaik. Bagian ini akan membahas faktor-faktor tersebut beserta pengaruh yang ditimbulkan pada jaringan prediksi. Pertama, akan dibahas mengenai pengaruh jumlah masukan atau ukuran. Pada prediksi visibilitas dilakukan percobaan dengan menambah jumlah masukan beberapa jam sebelumnya kedalam jaringan. Ternyata dengan menambah jumlah masukan akan menghasilkan nilai yang lebih rendah, selain itu rentang hasil prediksi juga menjadi lebih lebar. Misal pada prediksi 6 jam, penggunaan 5 masukan (t, t-1, t-3, t-5, dan t-6) menghasilkan prediksi yang lebih baik dibandingkan dengan menggunakan 2 masukan saja (t, dan t-6). Pada model time-series, sistem memproyeksikan nilai di waktu yang akan ng dengan mengidentifikasi pola perkembangan/perubahan nilai beberapa waktu sebelumnya. Itulah alasan penggunaan lebih banyak masukan sebagai referensi nilai sebelumnya, karena pola perubahan dapat lebih mudah dipetakan oleh jaringan sehingga hasil prediksi akan lebih baik. Berikutnya, jangkauan prediksi juga mempengaruhi kinerja dari sistem prediksi itu sendiri. Hasil prediksi pada 1 jam, akan lebih akurat hasilnya terhadap nilai aktual jika dibandingkan dengan hasil prediksi 6 jam. Semakin jauh jangkauan prediksinya maka kemampuan sistem untuk memprediksi akan semakin menurun, hal tersebut ditandai dengan semakin sempitnya rentang hasil prediksi. Rentang hasil prediksi menunjukkan kemampuan sistem untuk mengikuti nilai aktual, dikatakan mampu mengikuti jika rentang hasil prediksi semakin mendekati rentang nilai aktual. Jangkauan prediksi juga mempengaruhi pola prediksi yang dihasilkan. Prediksi dalam rentang waktu yang lebih panjang, cenderung menghasilkan pola prediksi yang terlambat dari nilai aktualnya. Model ANFIS time-series dirancang untuk menggunakan nilai diwaktu sebelumnya untuk memprediksi nilai, namun pada waktu tertentu model terkadang masih menyimpan memori tersebut. Hal tersebut mengakibatkan nilai prediksi yang dihasilkan cenderung sama dengan nilai aktual pada waktu yang lalu, atau singkatnya dikatakan terlambat. Faktor lain yang mempengaruhi adalah jenis dan jumlah dari fungsi keanggotaan yang digunakan. Hal ini belum dipaparkan di bagian sebelumnya, dimana semua model menggunakan jenis dan jumlah yang sama untuk fungsi keanggotaannya. Jenis yang dipilih adalah generalized bell (gbellmf), pemilihan tersebut dilakukan tidak lain berdasarkan eksperimen. Dari semua fungsi keanggotaan yang ada pada MATLAB dicoba diaplikasikan pada sistem prediksi cuaca ini, dan hasilnya menunjukkan bahwa gbellmf memberikan hasil yang paling rendah. Sedangkan untuk jumlah fungsi keanggotaan digunakan 3 untuk setiap masukan. Pemilihan ini juga tidak lain berdasarkan pada eksperimen. Sebagaimana diketahui bahwa jumlah fungsi keanggotaan berbanding terbalik dengan nilai. Namun ketika fungsi keanggotaan yang digunakan berjumlah lebih dari 3 untuk setiap masukan, hasil prediksi menghasilkan rentang yang jauh berada diluar dari rentang nilai aktual. Oleh karena itulah meskipun menghasilkan yang lebih kecil, tetapi jumlah fungsi keanggotaan yang lebih dari 3 dianggap tidak valid dikarenakan adanya perbedaan rentang. F. Model ANFIS Terbaik Untuk prediksi curah hujan, model terbaik yang akan diimplementasikan kedalam software prediktor adalah model multivariate. Model multivariate ini bisa mengikuti pola perubahan curah hujan aktual secara baik tanpa adanya keterlambatan, berbeda dengan model timeseries yang selalu terlambat sejauh 1 hari. Model ini memiliki rentang hasil prediksi yang tidak lebar, dengan kata lain model ini tidak bisa mengikuti amplitude nilai aktual secara sempurna. Namun, bagaimanapun juga nilai dari model multivariate lebih rendah dari pada model time-series sebagaimana dapat dilihat pada Tabel, itulah yang mendasari pemilihan model ini sebagai model terbaik yang akan diimplementasikan dalam prediktor kelayakan penerbangan. Untuk variabel visibilitas, kecepatan, dan arah angin, ketiganya diprediksi dengan model ANFIS timeseries. Perbandingan yang dilakukan antara model tersebut adalah banyaknya masukan yang digunakan pada jaringan untuk memprediksi tiap nilai keluaran. Dari yang didapat, model 2 yang memiliki masukan lebih banyak ternyata menghasilkan prediksi yang lebih memuaskan. Pertama, dari nilai model 2 memiliki nilai yang lebih kecil rata untuk semua variabel jika dibandingkan dengan model 1. Selain itu rentang nilai hasil prediksi juga lebih lebar, sehingga memungkinkan nilai prediksi untuk lebih mengikuti nilai aktual. Kedua faktor itulah yang mendasari dipilihnya model 2 untuk diimplementasikan kedalam software prediktor. 11

12 G. Pengujian Software Prediktor Dengan Data Terkini Setelah selesai melakukan perancangan Software prediktor dengan menggunakan model-model terbaik diatas, dilakukan uji coba dengan menggunakan terkini. Keempat variabel diuji dengan cuaca juanda dari tanggal 10 Januari Januari Dilakukan pula pembandingan antara kondisi aktual cuaca bandara dengan nilai hasil prediksi dari software. Tabel 9 Perbandingan ketepatan prediksi kondisi kecepatan angin Model AMAN AWAS TUTUP akt pre akt pre akt pre Ketepatan t % t % t % t % Tabel 10 Pengujian software prediktor variabel kecepatan angin Tanggal t+1 t+3 t+5 t+6 akt pre akt pre akt pre akt pre 1/10/ /11/ /12/ /13/ /14/ /15/ /16/ /17/ Tabel merupakan terjemahan kondisi dari Tabel berdasarkan kriteria yang telah ditetapkan oleh pihak Bandara Juanda. Dapat dilihat bahwa software dapat memprediksi dengan baik kondisi kecepatan angin di wilayah bandara, kondisi kecepatan angin dapat diprediksi dengan ketepatan 100% dari pengujian selama 8 hari. Untuk model prediksi 6 jam -pun masih dapat memberikan prediksi kondisi kecepatan angin dengan ketepatan 100% selama 8 hari, padahal sebagaimana diketahui sebelumnya bahwa model prediksi 6 jam memiliki kemampuan prediksi yang paling rendah dibandingkan dengan prediksi waktu lainnya. Sejauh ini software dapat dikatakan mampu untuk memprediksi keadaan kecepatan angin di wilayah bandara juanda. Dari model terbaik ini dilakukan pula uji coba model terhadap pada tahun 2010, kecepatan angin diklasifikasikan kedalam variabel kelayakan untuk penerbangan. Hasilnya menunjukkan bahwa model dapat memberikan prediksi kecepatan angin dengan ketepatan 99,02% untuk 1 jam ke depan, dan 99,08% untuk 3, 5, dan 6 jam ke depan. Uji coba yang sama juga pernah dilakukan pada penelitian sebelumnya dengan logika fuzzy, ketepatan prediksi kecepatan angin yang dihasilkan 66,58% (Yorinda, 2010). Prediksi kecepatan angin yang dirancang dengan menggunakan model ANFIS terbukti dapat menaikkan ketepatan dibandingkan dengan menggunakan metode logika fuzzy seperti pada penelitian sebelumnya. Tanggal Tabel 11 Pengujian software prediktor variabel arah angin t+1 t+3 t+5 t+6 akt pre akt pre akt pre akt pre 1/10/ /11/ /12/ /13/ /14/ /15/ /16/ /17/ Tabel merupakan perbandingan ketepatan prediksi arah pendaratan berdasarkan prediksi arah angin yang digambarkan pada Tabel. Berbeda dari sebelumnya, software memiliki ketepatan prediksi yang lebih rendah untuk arah pendaratan. Dari 8 hari pengujian, terkadang belum dapat memprediksi secara tepat dari manakah arah ngnya angin. Prediksi arah pendaratan pada 1 jam memiliki ketepatan yang paling tinggi yaitu sebesar 75%, sedangkan yang paling rendah adalah prediksi 3 jam yaitu sebesar 37.5%. Ketepatan yang cenderung rendah disebabkan karena ketidakmampuan sistem untuk memberikan hasil prediksi angin tenang, dimana prediksi kecepatan angin bernilai nol. Dari model terbaik ini dilakukan pula uji coba model terhadap pada tahun 2010, arah angin diklasifikasikan kedalam arah pendaratan. Hasilnya menunjukkan bahwa model dapat memberikan prediksi arah pendaratan dengan ketepatan 83,42% untuk 1 jam ke depan, 77,13% untuk 3 jam ke depan, 75,6% untuk 5 jam ke depan, dan 75,1% untuk 6 jam ke depan. Prediksi arah angin baru dimunculkan dalam penelitian ini dan belum pernah dilakukan pada penelitian sebelumnya, sehingga belum bisa dibandingkan. Tabel 12 Perbandingan ketepatan prediksi arah pendaratan Model RW10 RW28 akt pre akt pre Ketepatan t % t % t % t % Dapat diamati pula pada prediksi 6 jam mulai terdapat ketidak sesuaian pola, dimana model prediksi beberapa kali mengalami keterlambatan terhadap kondisi aktual. Hal tersebut disebabkan sistem menggunakan jangkauan yang besar yaitu sebesar 6 12

13 jam dibelakang, sistem masih menyimpan memori sebelumnya sehingga nilai prediksi akan mirip dengan nilai aktual beberapa jam sebelumnya. Tabel 13 Pengujian software prediktor variabel visibilitas Tanggal t+1 t+3 t+5 t+6 akt pre akt pre akt pre akt pre 1/10/ /11/ /12/ /13/ /14/ /15/ /16/ /17/ Tabel 14 Perbandingan ketepatan prediksi kondisi visibilitas Model AMAN AWAS TUTUP akt pre akt pre akt pre Ketepatan t % t % t % t % Dapat diamati pula pada prediksi 6 jam mulai terdapat ketidak sesuaian pola, dimana model prediksi beberapa kali mengalami keterlambatan terhadap kondisi aktual. Hal tersebut disebabkan sistem menggunakan jangkauan yang besar yaitu sebesar 6 jam dibelakang, sistem masih menyimpan memori sebelumnya sehingga nilai prediksi akan mirip dengan nilai aktual beberapa jam sebelumnya. Dari model terbaik ini dilakukan pula uji coba model terhadap pada tahun 2010, jarak pandang diklasifikasikan kedalam variabel kelayakan untuk penerbangan. Hasilnya menunjukkan bahwa model dapat memberikan prediksi jarak pandang dengan ketepatan sebesar 98,02% untuk 1 jam ke depan dan 97,59% untuk 3, 5, dan 6 jam ke depan. Uji coba yang sama juga pernah dilakukan pada penelitian sebelumnya dengan logika fuzzy, ketepatan prediksi visibilitas per-hari yang dihasilkan 85,43% (Yorinda, 2010). Prediksi visibilitas yang dirancang dengan menggunakan model ANFIS terbukti dapat menaikkan ketepatan dibandingkan dengan menggunakan metode logika fuzzy seperti pada penelitian sebelumnya. Dari Tabel dapat dilihat kemampuan prediksi curah hujan yang dimiliki oleh software. Pada tanggal 12 dan 14 Januari, software dapat memprediksi nilai curah hujan keesokan harinya dengan baik tanpa selisih yang signifikan. Secara umum pun kemampuan software untuk melakukan prediksi curah hujan masih dapat dikatakan layak, dikarenakan selisih yang terdapat antara nilai prediksi dengan nilai aktual tidak terlalu besar. Tabel 15 Pengujian software prediktor curah hujan Tanggal Temp RH Hujan Prediksi Hujan Esok 1/10/ /11/ /12/ /13/ /14/ /15/ /16/ /17/ Dari model terbaik ini dilakukan pula uji coba model terhadap pada tahun 2010, intensitas curah hujan diklasifikasikan kedalam jenis-jenis hujan. Hasilnya menunjukkan bahwa model dapat memberikan prediksi jenis hujan dengan ketepatan sebesar 81,64% dari uji coba sebanyak 365 hari. Uji coba yang sama juga pernah dilakukan pada penelitian sebelumnya dengan logika fuzzy, ketepatan prediksi yang dihasilkan 74,79% (Yorinda, 2010). Prediksi curah hujan yang dirancang dengan menggunakan model ANFIS terbukti dapat menaikkan ketepatan prediksi dibandingkan dengan menggunakan metode logika fuzzy seperti pada penelitian sebelumnya. V Kesimpulan dan Saran A. Kesimpulan Adapun kesimpulan dari penelitian ini adalah sebagai berikut : 1. Prediksi curah hujan esok hari dengan model ANFIS multi-variate dapat meningkatkan ketepatan prediksi kondisi hujan menjadi 81,64%, lebih tinggi dibandingkan dengan hasil yang didapat pada penelitian sebelumnya dengan menggunakan logika fuzzy yaitu sebesar 74,79%. 2. Prediksi visibilitas dengan model ANFIS time-series dapat meningkatkan ketepatan prediksi kelayakan penerbangan menjadi rata-rata 97,81%, lebih tinggi dibandingkan dengan hasil yang didapat pada penelitian sebelumnya dengan menggunakan logika fuzzy yaitu sebesar 85,43%. 3. Prediksi kecepatan angin dengan model ANFIS time-series dapat meningkatkan ketepatan prediksi kelayakan penerbangan menjadi rata-rata 99,05%, lebih tinggi dibandingkan dengan hasil yang didapat pada penelitian sebelumnya dengan menggunakan logika fuzzy yaitu sebesar 66,58%. 4. Sebagai penentuan arah pendaratan dan lepas landas pesawat, variabel arah angin telah dapat diprediksi menggunakan model ANFIS time-series dengan ketepatan prediksi sebesar 83,42% untuk 1 jam ke depan, 77,13% untuk 3 jam ke depan, 75,6% untuk 5 jam ke depan, dan 75,1% untuk 6 jam ke depan. 5. Model terbaik pada prediksi curah hujan esok hari memiliki nilai sebesar 0,10253 mm/hari. 6. Model terbaik pada prediksi visibilitas 1, 3, 5, dan 6 jam ke depan memiliki nilai berturut-turut 13

14 sebesar 0,13472 km, 0,20738 km, 0,23432 km, dan 0,24209 km. 7. Model terbaik pada prediksi kecepatan angin 1, 3, 5, dan 6 jam ke depan memiliki nilai berturutturut sebesar 0, knots, 0,12869 knots, 0,1408 knots, dan 0,14262 knots 8. Model terbaik pada prediksi arah angin 1, 3, 5, dan 6 jam ke depan memiliki nilai berturut-turut sebesar rad, 0,26525 rad, 0,27381 rad, dan 0,27355 rad. B. Saran Dalam rangka pengembangan penelitian, saran yang perlu disampaikan pada tugas akhir ini adalah penggunaan resolusi yang lebih rapat untuk tiap variabel yang akan diprediksi. Resolusi masukan yang lebih rapat memungkinkan kita untuk melakukan jangkauan prediksi yang lebih cepat dan akurat, misal dengan interval 15 menit, dengan begitu keadaan cuaca penerbangan yang dapat berubah-ubah dalam hitungan menit akan dapat diprediksi lebih baik. [13] Regariana, C. M. (2005). Atmosfer, Cuaca dan Iklim. [14] Tektas, M. (2010). Weather Forecasting Using ANFIS and ARIMA MODELS. Environmental Research, Engineering and Management., [15] Yorinda, I. A. (2010). Perancangan Sistem Prediksi Cuaca Berbasis Logika Fuzzy Untuk Kebutuhan Penerbangan di Bandara Juanda - Surabaya. Surabaya. BIODATA PENULIS : DAFTAR PUSTAKA [1] Aldrian, E., & Djamil, Y. S. (2008). Application of Multivariate ANFIS for Daily Rainfall Prediction: Influences of Training Data Size. MAKARA, SAINS, Volume 12, No. 1, [2] Arifin, S. (2009). Sistem Logika Fuzzy Sebagai Peramal Cuaca di Indonesia, Studi Kasus: Kota Surabaya. Seminar on Intelligent Technology and Its Application. [3] AWOS. (2008). Automated Weather Observated System (AWOS). Retrieved from [4] Candra, A. (2010). Perancangan Model Adaptive Neuro Fuzzy Inference System Untuk Memprediksi Cuaca Maritim. Surabaya. [5] Dishub. (2005, Maret). Cetak Biru Transportasi Udara Tahun Direktorat Jendral Perhubungan Udara. [6] Fariza, A., Helen, A., & Rasyid, A. (2007). Performansi Neuro Fuzzy Untuk Peramalan Data Time Series. Seminar Nasional Aplikasi Teknologi Informasi. Yogyakarta. [7] ILS. (2008). Instrument Landing System. Retrieved from [8] Jang, J.-S. R. (1993). ANFIS: Adaptive Network Based Fuzzy Inference System. IEEE Transactions on Systems, Man, and Cybernetics. [9] Jang, J.-S. R., Sun, C.-T., & Mizutani, E. (1997). Neuro Fuzzy and Soft Computing: A Computational Approach. New Jersey: Prentice Hall, Inc. [10] Kusumadewi, S. (2002). Analisis dan Desain Sistem Fuzzy Menggunakan Tool Box MATLAB. Yogyakarta: Graha Ilmu. [11] Marce, R. (2004). ANFIS Toolbox User Manual. [12] Pasero, E. (2004). Artificial Neural Network for Meteorological Nowcast. International Conference on Computational Intelligence for Measurement System and Applications. Boson. Nama : Iftikar Luthfi Ramadhan TTL : Bandung, 29 Maret 1990 Alamat : Jl. Bina Sarana B11 Kavling Bina Marga, Kota Bekasi, Jawa Barat iftikarluthfi@yahoo.com Pendidikan : SDI Bani Saleh 2 Bekasi ( ) SLTPN 2 Bekasi ( ) SMAN 8 Bandung ( ) S-1 Teknik Fisika FTI ITS (2007-sekarang) 14