D R. BAMBANG L ELONO, ST.MT

Transkripsi

1 PERANCANGAN PREDIKTOR CUACA MARITIM DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) UNTUK MENINGKATKAN JANGKAUAN RAMALAN, STUDI KASUS : PELAYARAN SURABAYA-BANJARMASIN RIKY JAYA SAMPURNA I R. SYAMSUL A RIFIN, MT D R. BAMBANG L ELONO, ST.MT

2 LATAR BELAKANG Faktor cuaca menjadi hal yang sulit untuk diprediksi dalam pelayaran, maka dari itu peramalan cuaca akhir akhir ini menjadi topik yang menarik untuk dibahas, karena sangat membantu dalam kelayakan pelayaran di laut. Berdasarkan PP N.5 Tahun 21, layanan meteorologi diselenggarakan untuk menjamin keamanan dan keselamatan pelayaran, mendorong kelancaran kegiatan perekonomian, menandai batas wilayah dalam rangka menjaga kedaulatan, memantapkan pertahanan dan keamanan negara, serta memperkukuh persatuan kesatuan bangsa dalam kerangka wawasan nusantara. Diperlukan suatu teknologi yang tepat untuk prediktor cuaca dengan metode Adaptive Neuro Fuzzy Inference System (ANFIS) dalam peramalan cuaca untuk kebutuhan pelayaran kapal di pelayaran Surabaya- Banjarmasin.

3 PERMASALAHAN DAN TUJUAN Bagaimana merancang prediktor cuaca maritim menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk meningkatkan jangkauan ramalan, sehingga tepat dengan keadaan cuaca sesungguhnya yang selanjutnya bisa didapatkan rekomendasi untuk kelayakan pelayaran Surabaya-Banjarmasin. Permasalahan Untuk merancang prediktor cuaca maritim menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk meningkatkan jangkauan ramalan, yang selanjutnya bisa didapatkan rekomendasi untuk kelayakan pelayaran Surabaya- Banjarmasin. Tujuan

4 LOKASI PENGAMATAN Ketinggian gelombang dan kecepatan arus titik A, B dan C dihitung menggunakan interpolasi Lagrange. Sedangkan perairan Surabaya, laut Jawa dan perairan Banjarmasin data cuaca dari BMG Perak II Surabaya.

5 PENGOLAHAN DATA Dasar pemikiran pemodelan prediksi cuaca adalah berdasarkan jurnal oleh Georgios Sylaios yaitu variabel yang mempengaruhi ketinggian gelombang dan arus laut dapat berupa kecepatan angin saat ini, ketinggian gelombang aktual (H(t)), ketinggian gelombang sebelumnya (H(t-1)), kecepatan arus laut aktual (Cu(t)), dan kecepatan arus sebelumnya (Cu(t-1)) yang akan digunakan sebagai masukan dengan model ANFIS time variate. Sedangakan ANFIS time series inputnya berupa ketinggian gelombang aktual (H(t)), ketinggian gelombang sebelumnya (H(t-1)), kecepatan arus laut aktual (Cu(t)), dan kecepatan arus sebelumnya (Cu(t-1)).

6 Perbandingan ketinggian gelombang Anfis dengan data sebenarnya 1 JAM KEDEPAN di perairan Surabaya.7.6 data bulan Januari Data Bulan Januari 21 Ketinggian Gelombang (m) Ketinggian Gelombang (m) ANFIS validasi Ketinggian Gelombang Time Series 1 jam kedepan Ketinggian Gelombang Multi Variate 1 jam kedepan

7 Perbandingan ketinggian gelombang Anfis dengan data sebenarnya 1 JAM KEDEPAN di LAUT JAWA data bulan Januari Bulan Januari Ketinggian Gelombang (m) ANFIS validasi Ketinggian Gelombang Time Series Ketinggian Gelombang Multi Variate

8 Perbandingan ketinggian gelombang Anfis dengan data sebenarnya di 1 JAM KEDEPAN PERAIRAN BANJARMASIN data bulan Januari 21 Predik si Bulan Januari Ketinggian Gelombang (m) ANFIS validasi Ketinggian Gelombang Time Series Ketinggian Gelombang Multi Variate

9 Perbandingan KECEPATAN ARUS Anfis dengan data sebenarnya 1 JAM KEDEPAN di PERAIRAN SURABAYA 25 data bulan Januari 21 Predik si 3 Bulan Januari ANFIS validasi Kecepatan Arus Time Series Kecepatan Arus Multi Variate

10 Perbandingan KECEPATAN ARUS Anfis dengan data sebenarnya 1 JAM KEDEPAN di LAUT JAWA data bulan Januari 21 Predik si Bulan Januari ANFIS validasi Kecepatan Arus Time Series Kecepatan Arus Multi Variate

11 Perbandingan KECEPATAN ARUS Anfis dengan data sebenarnya 1 JAM KEDEPAN di PERAIRAN BANJARMASIN 8 7 data bulan Januari 21 Predik si 8 7 Bulan Januari ANFIS validasi Kecepatan Arus Time Series Kecepatan Arus Multi Variate

12 RANCANGAN GUI PREDIKTOR CUACA MARITIM 1 JAM KEDEPAN

13 RANCANGAN GUI PREDIKTOR CUACA MARITIM 1 JAM KEDEPAN

14 KESIMPULAN..1 Untuk prediksi kecepatan arus laut dengan model ANFIS time series menghasilkan nilai validasi.3314 cm/s untuk peramalan pada perairan Surabaya, cm/s untuk peramalan pada titik A, untuk peramalan pada titik B, cm/s untuk peramalan pada laut Jawa, cm/s untuk peramalan pada titik C, dan.473 cm/s untuk peramalan 1 jam ke depan pada perairan Banjarmasin. Untuk prediksi kecepatan arus laut multi variate dengan model ANFIS time series menghasilkan validasi cm/s untuk peramalan pada perairan Surabaya, cm/s untuk peramalan pada titik A, cm/s untuk peramalan pada titik B, cm/s untuk peramalan pada laut Jawa, cm/s untuk peramalan pada titik C, dan dan cm/s untuk peramalan pada perairan Banjarmasin.

15 KESIMPULAN..2 Untuk prediksi ketinggian gelombang laut dengan model ANFIS multi variate menghasilkan nilai validasi.545 m untuk peramalan pada perairan Surabaya,.1263 m untuk peramalan pada titik A,.1543 m untuk peramalan pada titik B,.1277 m untuk peramalan pada laut Jawa,.118 m untuk peramalan pada titik C, dan.1841 m untuk peramalan pada perairan Banjarmasin. Untuk prediksi ketinggian gelombang laut dengan model ANFIS multi variate menghasilkan nilai validasi.5767 m untuk peramalan pada perairan Surabaya,.1649 m untuk peramalan pada titik A,.1825 m untuk peramalan pada titik B,.1418 m untuk peramalan pada laut Jawa, dan.1673 m untuk peramalan pada perairan Banjarmasin