RESUME JURNAL

PREDIKSI CUACA BERBASIS LOGIKA FUZZY UNTUK REKOMENDASI PENERBANGAN DI BANDAR UDARA RAJA HAJI FISABILILLAH

A.

TAHAPAN LOGIKA FUZZY System logika fuzzy terdapat beberapa tahapan operasional yang meliputi: 1. Pengolahan dan Pengelompokan Data Masukan 2. Menentukan fungsi keanggotaan (Fuzzifikasi) Fuzzifikasi digunakan untuk menunjukkan hasil prediksi. Penggunaan fuzzifikasi didasarkan pada bentuk kurva. Kurva yang digunakan pada fungsi keanggotaan untuk perancangan rekomendasi penerbangan ini adalah kurva Gaussian. Pemilihan kurva Gaussian ini dikarenakan penggunaan kurva Gaussian sesuai untuk data yang sifatnya kontinyu dan data-data alami seperti keadaan cuaca. Pembentukan fungsi keanggotaan ini menggunakan Fuzzy Inference System Editor (FIS Editor) tipe Takagi Sugeno karena kita menginginkan keluaran yang berupa numeric. 3. Aturan Dasar (Rule Based) Aturan dasar (rule based) pada control logika fuzzy merupakan suatu bentuk aturan relasi Jika-Makaatau if-then seperti berikut ini: if x is A then y is B dimana A dan B adalah linguistic values yang didefinisikan dalam rentang variabel X dan Y. Pernyataan x is A disebut antecedent atau premis. Pernyataan y is B disebut consequent atau kesimpulan. Pada aturan ini terdiri dari kumpulan aturan peramalan cuaca yang berbasis logika fuzzy untuk menyatakan kondisi cuaca yang terjadi. Penyusunan aturan sangat berpengaruh pada presisi model, pada tahap pengambilan keputusan ditentukan berdasarkan rancangan rule base. Pada model perancangan prediksi hujan terdapat 27 rule, sedangkan pada model perancangan prediksi angin terdapat 9 rule. 4. Inferensi fuzzy Proses inferensi fuzzy adalah proses pengambilan keputusan untuk mendapatkan sinyal logika fuzzy berdasarkan pada teori himpunan fuzzy, aturan fuzzy berbentuk IF-THEN yang telah dibuat. Teknik pengambilan keputusan yang digunakan berupa kecepatan angin, suhu, kelembaban dan tekanan yang masih berupa himpunan crisp yang nantinya akan diubah menjadi himpunan fuzzy dengan fungsi keanggotaan yang berbeda untuk tiap variabel. Dengan mengacu pada basis aturan yang telah dibuat, diperoleh nilai fuzzy berdasarkan nilai fuzzy masing-masing variabel masukan.

5. Defuzzifikasi Defuzzifikasi adalah proses pengkonversian setiap hasil dari inference system yang diekspresikan dalam bentuk fuzzy set ke satu bilangan real. Hasil konversi tersebut merupakan keluaran yang diambil oleh system logika fuzzy. Dalam pembangunan logika fuzzy ini, metode defuzzifikasi yang digunakan adalah weight average (rata-rata terbobot). Metode ini mengambil nilai rata-rata dengan menggunakan pembobotan berupa derajat keanggotaan.

B.

PENERAPAN LOGIKA FUZZY Pada pembuatan prediksi cuaca berbasis logika fuzzy ini digunakan variabel masukan dan variabel keluaran yang digunakan untuk membangun logika fuzzy untuk pembangunan logika fuzzy. Variabel masukan untuk rekomendasi penerbangan yang digunakan dalam pembangunan logika fuzzy ini meliputi kondisi actual kecepatan angin (knot), suhu (C), kelembaban (%) dan tekanan udara (mb). Data yang digunakan untuk permodelan menggunakan data selama satu tahun, dimulai dari maret 2010 hingga februari 2011 di titik pengamatan 00 92 LU - 104 53 BT. Data yang digunakan berupa data rata-rata harian yang didapatkan dari stasiun meteorologi Kelas III Tanjungpinang. Langkah-langkah System Logika Fuzzy : 1. Pengolahan dan Pengelompokan Data Masukan Sebelum membangun model prediksi cuaca, dilakukan pengolahan dan pengelompokan data atau proses clustering data menggunakan teknik Fuzzy Clustering Means (FCM). Algoritma FCM digunakan untuk mengelompokkan data yang akan digunakan untuk membangun model prediksi cuaca. Misalkan terdapat 15 sampel data yang merupakan variabel suhu sebagaimana terlihat pada tabel di bawah ini :

Data-data tersebut akan dikelompokkan menjadi 3 cluster. Parameter yang digunakan dalam proses pengclusteran dengan menggunakan algoritma FCM adalah: C ( Jumlah cluster yang akan dibentuk ) = 3 W ( Pangkat/Pembobot ) = 2 Maksimum Iterasi = 100 (Kriteria Penghentian) = 10-6 Matriks partisi U0 dipilih secara acak ( jumlah kolom sebanyak jumlah data yang akan dicluster ), misalkan:

Sebagai catatan, jumlah setiap kolom pada matriks U harus sama dengan 1. Pusat cluster dihitung dengan persamaan 2.6, diperoleh: V = [27.49 26.55 26.59] Jarak antara setiap data dengan pusat cluster dihitung dengan menggunakan persamaan 2.10, diperoleh:

Hitung fungsi objektif untuk iterasi pertama dengan menggunakan persamaan 2.8, sehingga diperoleh P1 = 9.904188. Selanjutnya matriks partisi U1 diperbaiki dengan menggunakan persamaan 2.9 sehingga diperoleh:

Nilai mutlak terbesar selisih antara U1 dan U0 adalah = 0.6 > , sehingga proses diulangi lagi dengan menghitung pusat cluster, diperoleh sebagai berikut: V= [27.56 26.25 26.40] Demikian seterusnya hingga terakhir pada iterasi yang ke-11 diperoleh pusat cluster, V, sebagai berikut: V = [26.70 27.95 24.87] Matriks partisi U11 diperbaiki dengan persamaan 2.9, sehingga diperoleh:

Nilai mutlak terbesar selisih antara U11 dan U10 adalah = 8.9 x 10-7 < , sehingga proses iterasi dihentikan, karena matriks partisi sudah konvergen. Dari hasil tersebut dapat dilihat kecenderungan suatu data untuk masuk pada cluster tertentu seperti terlihat pada tabel 4.2. Tabel 4.2 Kecenderungan Data Pada Cluster

Berdasarkan tabel tersebut, terlihat bahwa data ke-3, 6, 7, 8, 10 dan 15 cenderung untuk masuk ke cluster yang pertama (suhu sedang), data ke-2, 9, 11, 12, 13, dan 14 cenderung untuk masuk cluster kedua (suhu tinggi), sedangkan data ke-1, 4 dan 5 cenderung untuk masuk ke cluster ketiga (suhu rendah). Proses pengclusteran ini juga dilakukan untuk semua variabel masukan, dengan langkah yang sama seperti melakukan pengclusteran variabel suhu. Akan tetapi, karena data yang akan di cluster jumlahnya sangat banyak, maka pada penelitian ini menggunakan bantuan matlab untuk mempercepat proses clustering. 2. Fuzzifikasi Untuk masalah prediksi cuaca kali ini, ambil satu sample data aktual yaitu suhu aktual 26.6 C, kelembaban 86%, dan angin 9 knot. Pada tahap ini dilakukan proses pengubahan nilai tegas tersebut ke dalam fungsi keanggotaan. Dalam hal ini fungsi keanggotaan yang digunakan adalah fungsi keanggotaan gaussian sehingga persamaan yang digunakan adalah persamaan 2.15, sehingga diperoleh derajat keanggotaan sebagai berikut: a. Variabel Suhu rendah = 0.433

 sedang tinggi rendah sedang tinggi c. Variabel Angin rendah sedang tinggi

= 0.994
= 0.465

b. Variabel Kelembaban = 0.495 = 0.999 = 0.382

= 0.059 = 0.464 = 0.992

3. Penalaran (Inferensi) Berdasarkan aturan logika fuzzy pada tabel 4.5, terdapat 27 aturan untuk prediksi hujan, yaitu: IF Angin = Sedang AND Suhu = Rendah AND Kelembaban = Tinggi THEN Hujan = Sedang . . . IF Angin = Sangat Kencang AND Suhu = Tinggi AND Kelembaban = Rendah THEN Hujan = Cerah 4. Defuzzifikasi Metode defuzzifikasi yang digunakan adalah weight average (rata-rata terbobot). Sehingga persamaan yang digunakan adalah persamaan 2.18, maka diperoleh perhitungan sebagai berikut:

Dengan demikian didapatkan bahwa jika pada hari ini suhu rata-ratanya adalah 26.6 C, kelembaban 86% dan kecepatan angin 9 knot, maka curah hujan pada hari berikutnya adalah 12.59 mm/hari yang termasuk dalam variabel linguistic hujan ringan. Kemudian hasil linguistik tersebut digunakan sebagai masukan untuk menentukan jarak pandang. Berdasarkan tabel 4.9, terlihat bahwa dengan kondisi hujan ringan, jarak pandangnya ada pada range 5000 - 10000 m yang termasuk jarak pandang jauh. Berdasarkan rekomendasi kelayakan penerbangan bahwa pesawat yang layak mendapatkan rekomendasi

penerbangan adalah dengan jarak pandang jauh dan sedang, maka dapat dikatakan bahwa pada hari berikutnya pesawat layak terbang. C. IMPLEMENTASI DENGAN MENGGUNAKAN MATLAB 1. Pengolahan dan Pengelompokan Data Dari penjelasan sebelumnya, disebutkan bahwa pembentukan fungsi keanggotaan menggunakan kurva gaussian. Kurva gaussian membutuhkan masukan berupa nilai standar deviasi yang didapatkan dari keseluruhan data serta nilai titik tengah yang didapatkan dari hasil fuzzy clustering menggunakan fuzzy C-Means. Pada pembangunan logika fuzzy ini, pengelompokan data menggunakan metode fuzzy cluster means yang dilakukan dengan menggunakan matlab, yaitu dengan menuliskan syntax pada editor matlab. a. Pengolahan dan Pengelompokan Data untuk Prediksi Hujan Pada prediksi hujan ini digunakan tiga variabel masukan yaitu variabel suhu, kecepatan angin dan kelembaban. Pembagian kelompok untuk variabel suhu dibagi menjadi tiga cluster, yaitu cluster rendah, sedang dan tinggi. Untuk variabel kecepatan angin dibagi menjadi tiga cluster yaitu cluster sedang, kencang dan sangat kencang. Variabel masukan kelembaban juga dibagi menjadi tiga cluster yaitu cluster sedang, rendah dan tinggi. Berdasarkan data yang diperoleh dari hasil clustering, didapatkan nilai standar deviasi dan titik tengah sebagai berikut. Tabel 4.4 Hasil Clustering, standar deviasi dan titik tengah untuk prediksi hujan

b. Pengolahan dan Pengelompokan Data untuk Prediksi Angin Pada prediksi angin ini digunakan dua variabel masukan yaitu variabel suhu dan tekanan udara. Variabel suhu dibagi menjadi lima cluster yaitu sangat rendah, rendah, sedang, tinggi, dan sangat tinggi. Begitu juga dengan variabel tekanan udara yang dibagi menjadi lima cluster yaitu sangat kecil, kecil, sedang, besar, dan sangat besar. Berdasarkan data yang diperoleh dari hasil clustering, didapatkan nilai standar deviasi dan titik tengah sebagai berikut.

Tabel 4.5 Hasil Clustering, standar deviasi dan titik tengah untuk prediksi angin

2. Pembentukan Fungsi Keanggotaan Pembentukan fungsi keanggotaan ini menggunakan Fuzzy Inference System Editor ( FIS Editor) tipe Takagi Sugeno karena kita menginginkan keluaran yang berupa numerik. a. Pembentukan Fungsi Keanggotaan untuk Prediksi Hujan Variabel cuaca yang digunakan untuk memprediksi hujan adalah kecepatan angin, temperature (suhu udara) dan kelembaban. Sehingga dapat terlihat fungsi

keanggotaannya pada gambar 4.20.

b. Pembentukan Fungsi Keanggotaan untuk Prediksi Angin Variabel cuaca yang digunakan untuk memprediksi kecepatan angin adalah temperature dan tekanan udara. Sehingga dapat dibuat fungsi keanggotaannya seperti pada gambar 4.24.

3. Pembuatan Aturan (Rule Based) Pada aturan ini terdiri dari kumpulan aturan peramalan cuaca yang berbasis logika fuzzy untuk menyatakan kondisi cuaca yang terjadi. Penyusunan aturan sangat berpengaruh pada presisi model, pada tahap pengambilan keputusan ditentukan berdasarkan rancangan rule base. Pada model perancangan prediksi hujan terdapat 27 rule, sedangkan pada model perancangan prediksi angin terdapat 25 rule. a. Pembuatan Aturan Prediksi Hujan

b. Pembuatan Aturan Prediksi Kecepatan Angin Tabel 4.7 Aturan Logika Fuzzy untuk Prediksi Kecepatan Angin

4. Pengujian Model Logika Fuzzy Setelah melakukan proses inferensi fuzzy dan defuzzifikasi, didapatkan hasil permodelan dari logika fuzzy yang berupa bilangan real. Langkah selanjutnya adalah validasi atau pengujian. Pada pembuatan prediksi cuaca ini, menggunakan 365 data yang digunakan untuk membangun logika, yaitu dari bulan Maret 2010 hingga Februari 2011. Data yang telah terkumpul dan di kelompokkan, digunakan sebagai membership function dalam pembangunan logika fuzzy. Selanjutnya dilakukan pengujian dengan 184 data input, yaitu data pada bulan Juli 2010 hingga Desember 2010. Seperti yang dijelaskan pada Tabel 4.8. Tabel 4.8 Data Training dan Validasi

a. Pengujian Model Prediksi Hujan Berdasarkan 27 rule yang telah ditetapkan, maka hasil keputusan hujan secara linguistik terdiri dari 5 jenis kondisi, yaitu cerah, hujan ringan, hujan sedang, hujan lebat dan hujan sangat lebat. Dari 184 hari untuk kondisi sebenarnya, terdapat 91 hari untuk kondisi cerah, 38 hari untuk kondisi hujan ringan, 23 hari untuk kondisi hujan sedang, 10 hari untuk kondisi hujan lebat akan dan tidak ada hari untuk kondisi hujan sangat lebat serta 22 hari untuk kondisi hujan tidak terukur. Sedangkan hasil prediksi menunjukkan sebanyak 74 hari untuk kondisi cerah, 63 hari kodisi hujan ringan, 16 kondisi hujan sedang, namun tidak ada hari untuk kondisi hujan lebat dan hujan sangat lebat. Karena pada data aktual terdapat 22 hari yang tak terukur, maka terdapat 100 hari yang sama dengan kondisi sebenarnya. Sehingga ketepatan pengambilan keputusan berdasarkan logika fuzzy adalah 61.73% seperti yang terlihat pada tabel 4.9 dan grafik pada gambar 4.33. Tabel 4.9 Perbandingan ketepatan prediksi dengan keadaan sebenarnya model prediksi hujan

Hujan memiliki hubungan yang erat dengan jarak pandang, seperti yang terlihat pada tabel 4.10. Apabila terjadi hujan, maka akan menyebabkan jarak pandang berkurang. Menurut BMKG, jarak pandang didefinisikan dengan tiga linguistic, yaitu jarak pandang pendek, jarak pandang sedang, dan jarak pandang jauh. Dalam hal ini, pesawat hanya dapat terbang dan mendarat pada jarak pandang jauh dan jarak pandang sedang, untuk jarak pandang pendek, pesawat tidak diizinkan melakukan penerbangan.

RESUME JURNAL
PERENCANAAN JUMLAH PRODUK MENGGUNAKAN METODE FUZZY MAMDANI BERDASARKAN PREDIKSI PERMINTAAN

A.

PENDAHULUAN Permasalahan yang dibahas dalam penelitian ini adalah bagaimana meramalkan jumlah permintaaan pada satu bulan ke depan menggunakan metode Pemulusan Eksponensial dan bagaimana menentukan jumlah produk berdasarkan perkiraan jumlah permintaan satu bulan kedepan dan jumlah persediaan bulan sebelumnya menggunakan metode Fuzzy Mamdani. Batasan masalah dalam penelitian ini adalah : 1. Produk yang diteliti adalah produk lantai kayu jati. 2. Faktor-faktor yang mempengaruhi dalam menentukan jumlah produk adalah jumlah permintaan dan jumlah persediaan sehingga data lain tidak diteliti atau dianggap tetap. 3. Penegasan (defuzzyfikasi) menggunakan metode Centroid. 4. Jumlah permintaan pada bulan tertentu Eksponensial. Pada Tugas ini menggunakan input yang berbeda dengan sebelumnya, yaitu: prediksi permintaan satu bulan ke depan dan jumlah persediaan bulan sebelumnya untuk menghasilkan output berupa jumlah produk satu bulan ke depan.
Metode Pemulusan Eksponensial Ganda

diramalkan menggunakan metode Pemulusan

Metode Pemulusan Eksponensial merupakan salah satu dari metode deret berkala (time series) dengan prosedur perbaikan terus-menerus pada peramalan terhadap objek pengamatan terbaru. Metode Pemulusan Eksponensial menitikberatkan pada penurunan prioritas secara eksponensial pada objek pengamatan yang lebih tua. Salah satu dari metode Pemulusan Eksponensial adalah metode Pemulusan Eksponensial Ganda. Terdapat dua macam dari metode Pemulusan Eksponensial Ganda, yaitu: Pemulusan Eksponensial Ganda Linear Satu Parameter dari Brown dan Pemulusan Eksponensial Ganda Dua Parameter dari Holt. 1. Metode Penelitian Tahap-tahap yang dilakukan adalah identifikasi masalah, studi literatur dan pengumpulan data, peramalan jumlah permintaan, dan penentuan jumlah produk.

2. Analisa dan Pembahasan Data yang diteliti adalah sebagai berikut:

a. Peramalan Jumlah permintaan Berdasarkan plot data dapat disimpulkan bahwa pola data sementara yang diperoleh sesuai dengan pola data trend. Berdasarkan Pola data yang diperoleh maka metode peramalan yang cocok untuk pola data trend adalah metode Pemulusan Eksponensial Ganda dua parameter dari Holt.

Selanjutnya adalah menentukan parameter dengan nilai SSE (Sum of Squared Error) dan MSE (Mean Squared Error) dengan cara mengambil nilai dan secara

sembarang dalam rentang 0 sampai 1 setelah itu dipermulus sampai mendapatkan nilai SSE dan MSE terkecil. Berdasarkan persamaan

Dengan mengasumsikan

maka diperoleh

Nilai ramalan untuk =0,1 dan =0,2 adalah 28.009,73.Namun nilai ramalan dengan =0,1 dan =0,2 belum tentu merupakan ramalan dengan error terkecil sehingga penentuan parameter harus sesuai dengan nilai SSE dan MSE terkecil.

Pada Tabel 3 dapat diperhatikan nilai SSE dan MSE yang paling kecil adalah pada nilai peramalan dengan parameter = 0,2 dan = 0,3. Hal ini menunjukkan nilai actual mendekati hasil dari ramalan dengan parameter tersebut. Pendekatan nilai peramalan dengan nilai aktual tidak berhenti sampai pada parameter = 0,2 dan = 0,3. Parameter tersebut harus dilakukan pemulusan lagi dengan error yang paling kecil. Letak dari = 0,3 masih dapat dipermulus sehingga didapatkan parameter = 0,2 dan = 0,3061957 yang mempunyai nilai SSE dan MSE paling kecil. Berdasarkan perhitungan yang sama maka nilai peramalan dengan parameter = 0,2 dan = 0,3061957 adalah 12.240 dengan SSE sebesar 896.024.757,47 dan MSE sebesar 99.558.306,39.

Perhitungan MAPE (Mean Absolute Percentage Error) dalam tugas akhir ini berdasarkan rataan dari permalan selama 4 bulan, yaitu: m=1 pada bulan Februari, m=2 pada bulan Maret, m=3 pada bulan April, dan m=4 pada bulan Mei. Berdasarkan persamaan 2.8 perhitungan nilai peramalan pada m=1, m=2, m=3, dan m=4 diperoleh: Untuk m=1 pada bulan Februari :

Untuk m=2 pada bulan Maret :

Nilai aktual pada bulan Februari, Maret, April, dan Mei berturut-turut sebesar 12.240, 16.320, 16.230, dan 8.160. Perhitungan MAPE pada peramalan dalam tugas akhir ini adalah sebagai berikut :

Berdasarkan perhitungan nilai MAPE untuk empat periode sebesar 20,01% sehingga nilai peramalan untuk bulan Februari tergolong baik. Oleh karena itu, nilai peramalan pada bulan Februari dapat digunakan sebagai input pada metode Mamdani. b. Penentuan Jumlah Produk

Langkah selanjutnya adalah membentuk aturan dan fungsi implikasi. Pembentukan fungsi implikasi adalah sebagai berikut:

Fungsi input dan output yang terdiri dari jumlah permintaan, jumlah persediaan, dan jumlah produk mempunyai 25 kemungkinan sehingga membentuk aturan (rule) dan fungsi implikasi yang memiliki 25 anteseden dan 25 konsekuen. Pada metode mamdani, fungsi implikasi yang digunakan adalah min. Aplikasi fungsi implikasi ini diaplikasikan menggunakan software MATLAB dapat dlihat pada Gambar 5 dan Gambar 6. Langkah terakhir dari penentuan jumlah produk menggunakan metode Mamdani penegasan. Penegasan dalam hal ini menggunakan pengerjaannya menggunakan bantuan software adalah

metode centroid. Namun proses MATLAB. Perhitungan penegasan

menggunakan software MATLAB dengan input berupa prediksi permintaan bulan Februari sebesar 12.240 dan jumlah persediaan pada bulan Januari sebesar 200 menghasilkan output jumlah produk bulan Februari sebesar 12400 sehingga jumlah persediaan pada bulan Februari merupakan pengurangan dari jumlah produk bulan Februari dengan jumlah permintaan aktual bulan Februari maka jumlah persediaan bulan Februari diperoleh : Jumlah Persediaan = 12.400 12.240 = 160.

Perhitungan penegasan menggunakan software MATLAB dapat dilihat pada Gambar 7.

PERBEDAAN METODE MAMDANI DAN SUGENO : METODE SUGENO : Teknik pengambilan keputusan yang digunakan pada jurnal pertama adalah metode Takagi Sugeno. Alasan menggunakan metode ini adalah karena metode ini lebih fleksibel jika dibandingkan dengan metode Mamdani, sehingga cocok untuk peramalan. Dalam metode Takagi Sugeno, penerapannya menggunakan aturan operasi AND, hal ini karena semua variabel masukan saling mempengaruhi. METODE MAMDANI : Teknik Pengambilan keputusan yang digunakan pada jurnal kedua adalah metode mamdani. Alasan menggunakan metode ini karena pada jurnal ini membahas tentang Jumlah permintaan pada satu periode ke depan merupakan perkiraan yang mengandung unsur ketidakpastian yang akan diramalkan dengan menggunakan metode Pemulusan Eksponensial berdasarkan data yang diperoleh dari beberapa periode sebelumnya.