Anda di halaman 1dari 62

PREDIKSI RATA-RATA CURAH HUJAN MENGGUNAKAN

METODE FUZZY TIME SERIES INVARIANT

LAPORAN KERJA PRAKTEK

Disusun Oleh:
Diah Afrianti 120155201034

TEKNIK INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS MARITIM RAJA ALI HAJI
2016

LEMBAR PENGESAHAN

PREDIKSI RATA-RATA CURAH HUJAN MENGGUNAKAN METODE


FUZZY TIME SERIES INVARIANT
LAPORAN KERJA PRAKTEK

Oleh:
Diah Afrianti (120155201034)

Tanjungpinang, 12 Januari 2016


Menyutujui,
Pembimbing Kerja Praktek

Martaleli Bettiza, S.Si.,M.Sc


NIDN. 1028087501

Mengetahui,
Ketua Jurusan Teknik Informatika
Fakultas Teknik
Universitas Maritim Raja Ali Haji

Nerfita Nikentari, ST.,M.Cs


NIP.19830203 201212 2 004

KATA PENGANTAR

Assalammualaikum Wr. Wb.

2
Puji syukur penyusun panjatkan atas kehadirat Allah SWT dan atas segala rahmat serta hidayah-
Nya, serta salawat beriring salam penulis hadiahkan kepada junjungan kita Nabi Besar Muhammad
SAW atas teladannya sehingga penyusun dapat menyelesaikan laporan kerja praktek mengenai
Prediksi Rata-Rata Curah Hujan Menggunakan Fuzzy Time Series Invariant untuk memenuhi syarat
kelulusan kerja praktek di Badan Meteorologi Klimatologi dan Geofisika (BMKG) Km. 11
Tanjungpinang. Dalam penulisan laporan ini penyusun ingin menghaturkan rasa terima kasih, kepada
seluruh pihak yang telah membantu baik dari instansi kerja praktek (BMKG) maupun dosen
pembimbing lapangan.
Penyusun menyadari bahwa laporan ini masih jauh dari kesempurnaan yang disebabkan
keterbatasan kemampuan serta pengetahuan yang dimiliki. Oleh karena itu penyusun mengharapkan
saran-saran atau kritik yang sifatnya membangun sebagai bahan koreksi dan perbaikan .
Semoga laporan ini bermanfaat untuk para pembaca dan dapat dipergunakan sebagai mana
mestinya.

Tanjungpinang, 10 Januari 2016

Penulis

DAFTAR ISI

LEMBAR PENGESAHAN............................................................................................i

KATA PENGANTAR....................................................................................................ii
3
DAFTAR ISI................................................................................................................iii

DAFTAR GAMBAR.....................................................................................................v

DAFTAR TABEL.........................................................................................................vi

BAB I PENDAHULUAN
1.1 Latar Belakang..........................................................................................1
1.2 Rumusan Masalah.....................................................................................2
1.3 Batasan Masalah........................................................................................2
1.4 Tujuan dan Manfaat...................................................................................3

BAB II PROFIL PERUSAHAAN


2.1 Sejarah Singkat BMKG.............................................................................4
2.2 Fungsi dan Tugas Pokok Instansi..............................................................4
2.2.1 Pengamatan Cuaca.................................................................................4
2.3 Sumber pembuatan Informasi...................................................................7
2.4 Teknik Pembuatan Informasi.....................................................................8
2.5 Visi dan Misi.............................................................................................9
2.6 Struktur Organisasi..................................................................................10

BAB III LANDASAN TEORI


3.1 Peramalan................................................................................................11
3.1.1 Jenis - jenis Peramalan.........................................................................12
3.2 Data Berkala............................................................................................12
3.3 Logika Fuzzy...........................................................................................14
3.3.1 Himpunan Fuzzy..................................................................................14
3.3.2 Metode Fuzzy Time Series Invariant....................................................15
3.3.3 Panjang Interval Pada Fuzzy Time Series.............................................18
3.4 Unified Modelling Language (UML)......................................................19
3.5 Entity Relationship Diagram (ERD).......................................................19

BAB IV PERANCANGAN
4.1 Perancangan Sistem.................................................................................21
4.1.1 Perancangan Basis Data.......................................................................21
4.1.2 Unified Modelling Language...............................................................23
4.1.3 Interface...............................................................................................35
4
BAB V IMPLEMENTASI
5.1 Batasan Implementasi..............................................................................38
5.1.1 Perangkat Lunak Sistem (Software).....................................................38
5.1.2 Perangkat Keras (Hardware)................................................................38
5.2 Implementasi Program............................................................................39

BAB VI PENUTUP
6.1 Kesimpulan..............................................................................................42
6.2 Saran........................................................................................................42

LAMPIRAN 1.............................................................................................................43

DAFTAR PUSTAKA..................................................................................................54

DAFTAR GAM
Gambar 2.1 Struktur Organisasi BMKG.......................................................................10
YGambar 4.1 ERD sistem..............................................................................................20
Gambar 4.2 Use case diagram.......................................................................................21
Gambar 4.3 Activity diagram login...............................................................................25
Gambar 4.4 Activity diagram kelola data curah hujan..................................................26
Gambar 4.5 Activity diagram hitung prediksi curah hujan...........................................27
Gambar 4.6 Activity diagram kelola data hasil prediksi...............................................27
Gambar 4.7 Sequence diagram login............................................................................28
Gambar 4. 8 Sequence diagram input data curah hujan................................................29

5
Gambar 4.9 Sequence diagram edit data curah hujan...................................................30
Gambar 4.10 Sequence diagram hapus data curah hujan..............................................30
Gambar 4.11 Sequence diagram hitung prediksi curah hujan.......................................31
Gambar 4.12 Sequence diagram simpan data hasil prediksi.........................................31
Gambar 4.13 Sequence diagram hapus data hasil prediksi...........................................31
Gambar 4.14 Kelas diagram..........................................................................................31
Gambar 4.15 Interface login.........................................................................................32
Gambar 4.16 Interface home.........................................................................................32
Gambar 4.17 Interface kelola data curah hujan............................................................33
Gambar 4.18 Interface hitung curah hujan....................................................................33
Gambar 4.19 Interface data hasil prediksi.....................................................................34
YGambar 5.1 Form login...............................................................................................36
Gambar 5.2 Kelola data curah hujan.............................................................................36
Gambar 5.3 Prediksi curah hujan dengan metode fuzzy time series Invariant......37
Gambar 5.4 Gagal prediksi............................................................................................38
Gambar 5.5 Data hasil prediksi.....................................................................................38

DAFTAR TABEL

Tabel 4.1 Skenario use case login..........................................................................21


Tabel 4.2 Skenario use case kelola data curah hujan.............................................22
Tabel 4. 3 Tabel skenario use case kelola hitung prediksi.....................................23

6
7
BAB I

PENDAHULUAN

1.1 Latar Belakang

Cuaca dan iklim merupakan salah satu faktor alam yang sangat penting
bagi kehidupan manusia. Pengetahuan tentang pola musim, curah hujan, dan
gerakan angin misalnya dapat dimanfaatkan bagi sektor pertanian, perkebunan,
transportasi, dan lain-lain. Cuaca dan iklim sangat mempengaruhi pola kehidupan
masyarakat, sehingga informasi mengenai cuaca saat ini sangat dibutuhkan dalam
masyarakat, baik perorangan, instansi maupun perusahaan.

Keadaan cuaca dipengaruhi oleh banyak hal diantaranya tekanan udara,


suhu, kecepatan angin, dan curah hujan. Curah hujan merupakan suatu atribut
yang memliki pengaruh yang besar terhadap keadaan dan perubahan cuaca. Jika
suatu daerah mengalami curah hujan yang tinggi maka bisa dikatakan bahwa
daerah tersebut sedang berada dalam musim hujan atau cuaca tidak cerah.
Mengingat curah hujan mempunyai pengaruh yang besar terhadap keadaan cuaca
sangatlah penting mengetahui keadan curah hujan dimasa yang akan datang hal
inilah yang menjadi dasar penulis untuk membuat Sistem Informasi yang bisa
melakukan peramalan curah hujan menggunakan data-data historis masa lalu.

Peramalan menggunakan data masa lalu (data historis) dapat dilakukan


menggunakan metode Fuzzy Time Series (FTS). FTS adalah metode peramalan
data yang menggunakan prinsip-prinsip fuzzy sebagai dasarnya. Sistem peramalan
dengan metode FTS bekerja dengan melihat pola dari data yang telah lalu
kemudian digunakan untuk memproyeksikan data yang akan datang. Prosesnya
juga tidak membutuhkan suatu sistem pembelajaran dari sistem yang rumit
sebagaimana yang ada pada algoritma genetika dan jaringan syaraf, sehingga
mudah untuk dikembangkan. (Haris, 2010)
Berbagai penelitian terhadap masalah peramalan dengan menggunakan
metode FTS telah banyak dipelajari dan dikembangkan oleh beberapa peneliti
diantaranya adalah: Song dan Chissom menggunakan metode fuzzy time series
untuk mengatasi masalah peramalan terhadap data historis yang berupa nilai-nilai
linguistik, Melike Sah dkk menggunakan metode baru pada model first order and
time invariant fuzzy time series dengan metode pembagian interval biasa yang
menghasilkan hasil ramalan lebih akurat dibanding metode time invariant fuzzy
time series biasa.

Berdasarkan penelitian sebelumnya, maka pada penelitian ini dilakukan


analisis dari salah satu dari model-model fuzzy time series yang telah
dikembangkan yaitu fuzzy time series invariant model. Metode ini sebelumnya
telah digunakan untuk meramalkan harga penutupan saham Islamic index di
Jakarta. Pada penelitian ini, data time series yang digunakan merupakan data rata-
rata curah hujan pertahun dari tahun 1981 s/d 2014, dan akan meramalkan rata-
rata curah hujan di tahun 2015.

1.2 Rumusan Masalah

Adapun rumusan masalah yang didapat dari uraian diatas adalah sebagai
berikut:

- Bagaimana penerapan metode fuzzy time series invariant dalam sistem


informasi peramalan curah hujan?
- Apakah metode fuzzy time series dapat memberikan hasil peramalan curah
hujan di tahun 2015?

1.3 Batasan Masalah

Berdasarkan latar belakang dan rumusan masalah yang telah dipaparkan


diatas maka perlu disusun pembatasan masalah sebagai berikut:

1. Sistem yang dibuat adalah sistem informasi berbasis desktop.


2. Data yang digunakan adalah data rata-rata curah hujan pertahun dari tahun
1981 s/d 2014.
3. Rata-rata curah hujan yang diramalkan adalah rata-rata curah hujan 2015
4. Panjang interval yang digunakan dalam mencari nilai peramalan rata-rata
curah hujan dengan metode fuzzy invariant adalah 5.

1.4 Tujuan dan Manfaat

Tujuan dari pembuatan sistem informasi peramalan curah hujan adalah


untuk mengetahui data rata rata curah hujan di tahun 2015, serta sebagai
pemenuhan tugas kerja praktek yang di lakukan di Badan Meteorologi
Klimatologi dan Geofisika di Tanjungpinang. Sedangkan manfaat dari pembuatan
sistem informasi peramalan curah hujan ini adalah untuk mengetahui rata rata
curah hujan di suatu waktu yang ditentukan dalam kasus ini tahun 2015, yang
nantinya data hasil peramalan ini dapat dimanfaatkan oleh instansi sebagai acuan
untuk mengambil sebuah keputusan dalam menentukan cuaca, atapun iklim dan
dimanfaatkan seperlunya sesuai kebutuhan instansi.
BAB II

PROFIL PERUSAHAAN

2.1 Sejarah Singkat BMKG

Secara Geografis Stasiun Meteorologi Tanjungpinang terletak pada garis


bujur 00.55 .07 LU dan 104.31.48BT dan pada ketinggian 17.07 meter dari
permukaan laut. Stasiun Meteorologi dan Geofisika Tanjungpinang merupakan
salah satu unit pelaksanaan teknis dibawah Badan Meteorologi dan Geofisika
yang berdiri pada tahun 1960. mengingat Stasiun Meteorologi Tanjungpinang
adalah stasiun kelas III yang hanya mempunyai kewenangan sebagai stasiun
pengamat saja, oleh karena itu stasiun Meteorologi Tanjungpinang diberi hak dan
Kewenangan yang kini berfungsi sebagai perwakilan dari BMG pusat untuk
beroperasi di daerah Provinsi Kepulauan Riau dalam hal pelayanan informasi
Meteorologi dan Geofisika. Hal itu dilakukan karena sesuai perkembangan dan
tuntutan masyarakat pengguna jasa BMKG (Badan Meteorologi Klimatologi dan
Geofisika) yang semakin banyak.

2.2 Fungsi dan Tugas Pokok Instansi


2.2.1 Pengamatan Cuaca

Pengamatan cuaca merupakan proses untuk mengenali kondisi udara pada


suatu tempat dan dalam waktu yang singkat dengan cara mengamati atau
memperhatikan gejala-gejala alam yang terjadi. Adapun unsur-unsur yang terlibat
dalam pengamatan cuaca antara lain yaitu:

- Temperatur Udara
- Tekanan Udara
- Arah dan Kecepatan Angin
- Curah Hujan
- Awan
- Kelembabab udara
- Penyinaran Matahari
2.2.2 Penyebaran Data

Data dari hasil pengamatan dikirim ke BMKG pusat melalui kantor BMKG
wilayah I Medan menggunakan sarana komunikasi VSAT secara online, SSB,
TELPHON untuk dianalisa.

Hasil analisa tersebut kemudian diterima distasiun-stasiun BMKG seluruh


indonesia, Termasuk Stasiun Meteorologi Tanjungpinang berupa informasi
perkiraan cuaca yang kemudian disampaikan kepada pengguna jasa termasuk
masyarakat Kepulauan Riau. disamping informasi cuaca stasiun Meteorologi
Tanjungpinang juga dapat menyediakan informasi Gempa Bumi dan Tsunami.

2.2.3 Jasa Pelayanan

Adapun jasa pelayanan yang disediakan oleh Stasiun Badan Meteorologi


Klimatologi dan Geofisika adalah sebagai berikut :

1. Jasa Meteorologi Penerbangan


- QAM (actual weather) adalah laporan cuaca actual di suatu bandara
yang digunakan disaat mendarat (landing) dan tinggal landas (take
off) dengan tujuan agar pesawat dapat selamat dalam pendaratan dan
pendakian.
- METER (Meteorological Aerodrome Report) adalah nama sandi
laporan cuaca rutin untuk penerbangan yang dibuat setiap jam dan
dapat ditambahkan satu seksi yang berisikan TREND forecast, yang
berfungsi sebagai bahan input bagi pilot yang sedang melintas
(Alternate) dan pilot yang akan terbang ke tempat tersebut.
- SPESI (Special Routine Report) adalah nama sandi laporan cuaca
khusus terpilih untuk penerbangan dan dilaporkan setiap saat
diantara interval waktu pelaporan cuaca rutin. Berfungsi agar pilot
dapat mengetahui secara cepat perubahan cuaca (membaik /
memburuk) yang terjadi dan dapat mengambil sikap apakah harus
mendarat atau mengalihkan ke bandara lain (divert).
- TAF (Terminal Aerodrome Forecast) adalah prakiraan cuaca suatu
bandara yang dibuat oleh forecaster on duty dengan masa berlaku
(validity) standar 24 jam untuk pertukaran internasional dan dibuat 4
kali sehari, dibuat dalam bahasa sandi. Berfungsi untuk memberikan
gambaran kondisi cuaca yanga akan terjadi pada suatu bandara yang
digunakan untuk operasi penerbangan dalam radius 5 mil laut dari
pusat landasan pacu bandara tersebut berada.
- ARFOR (Area Forecast) adalah prakiraan cuaca untuk area yang
dibatasi koordinat. Dibuat dalam bahasa terang(singkatan).
Berfungsi untuk memberikan gambaran cuaca suatu wilayah/ tempat
tertentu.
- ROFOR (Route Forecast) adalah sandi prakiraan cuaca untuk
penerbangan antara dua aerodrome tertentu atau lebih, berfungsi
sebagai prakiraan gambaran gejala cuaca selama dlam penerbangan
(en-route) yang meliputi waktu, route yang dijalani, jarak pandang,
cuaca, awan, titik beku, dan angin / temperatur (windtemp) lapisan
atas.
- SIGMET (Significant Mete)
- Flight document adalah dokumen yang memuat prakiraan cuaca
pada jalur penerbangan dan keadaan cuaca pada bandara tujuan
maupun bandara alternatif.

2. Jasa Meteorologi Maritim


- Prakiraan cuaca perairan (laut)
- Prakiraan tinggi gelombang
- Prakiraan pasangsurut.

3. Informasi Publik
- Prakiraan cuaca Kepulauan Riau
- Prakiraan cuaca kota Tanjungpinang
- Gempa bumi dan tsunami
- Peringatan dini

2.3 Sumber pembuatan Informasi

Pembuatan informasi didasarkan pada 2 cara yaitu:


a. Peralatan
- Computerized massage switching System (CMSS) yaitu system
komunikasi khusus antara stasiun meteorologi dan kantor pusat.
- RAOB (Rawinsonde Observation Programs) merupakan program
yang digunakan untuk menganalisis kondisi atmosfer. Dengan
fungsi yang dimiliki RAOB maka predictor dapat dengan mudah
mengidentifikasi parameter-parameter atmosfer yang akan
dianalisis sesuai dengan keperluan predictor.
- Radar Cuaca
- Campbell stoke
Cambell stoke berfungsi untuk mengukur lamanya penyinaran
matahari, alat ini berupa kaca massif dengan garis tengah /
diameter 10-15 cm, berfungsi sebagai lensa cembung (konyex)
yang dapat mengumpulkan sinar matahari ke suatu titik api
(fokus), dan alat ini dipasang ditempat terbuka diatas pondasi
beton dengan ketinggian 120 cm dari permukaan tanah. Lamanya
penyinaran matahari tepat mengenai kertas pias yang khusus
dibuat untuk alat ini, dan hasilnya pada pias akan terlihat bagian
yang terbakar, panjang jejak/bekas bakaran menunjukkan
lamanya penyinaran matahari.
Jenis Pias ada 3 macam:
1. Lengkung panjang (11 Oktober-28 Februari)
2. Lurus (11 September-10 Oktober) (1 Maret-10 April)
3. Lengkung pendek (11 April-10 Agustus)
- Penakar hujan otomatis hellman
Alat ini berfungsi untuk mengukur intensitas, jumlah, dan waktu
terjadinya hujan, dipasang dengan ketinggian 120 cm dari
permukaan tanah sampai ke corong penakar dan luas penampang
corong 200 cm2. Pada alat ini terdapta sebuah silinder jam
sebagai tempat pemasangan pias, sehingga akan dapat diketahui
curah hujan maksimal dan minimum serta waktu terjadinya.
- Thermohygrograph
Thermohygrograph merupakan alat pencatat suhu udara dan
kelembaban udara dengan satuan derajat celcius dan persentase.
- Barograph
Barograph merupakan alat pencatat tekanan udara secara
otomatis. Satuan Milibar (mb). Sensor menggunakan tabung
hampa udara / kotak logam yang hampa udara yang terbuat dari
logam yang sangat lenting. Jika tekanan atmosfer berubah volume
kotak berubah. Perubahan volume kotak dihubungkan dengan
tangkai pena dan menggores di pias.

b. Data
- Tlaps
- Citra Satelit
- Citra Radar
- Profil Udara Atas (aerogram)

2.4 Teknik Pembuatan Informasi

a. Observasi
Contohnya : Qam, Meter, Speci, Airep dan Pirep
b. Analisa / Prakiraan
Contohnya : Taf, Rootor, Ardor, Sigment, Trend dan Flight Doc

2.5 Visi dan Misi

Adapun visi BMKG Tanjungpinang adalah untuk mewujudkan BMKG


yang handal, tanggap dan mampu dalam rangka mendukung keselamatan
masyarakat serta keberhasilan pembangunan nasional, dan berperan aktif ditingkat
internasional. Dalam rangka mewujudkan visi BMKG, maka diperlukan visi yang
jelas yaitu berupa langkah-langkah BMKG untuk mewujudkan misi yang telah
ditetapkan yaitu :

1. Mengamati dan memahami fenomena meteorologi, klimatologi,


kualitas udara dan geofisika.
2. Menyediakan data, informasi dan jasa meteorologi, klimatologi,
kualitas udara dan geofisika yang handal dan terpercaya.
3. Mengkoordinasikan dan memfasilitasi kegiatan di bidang meteorologi,
klimatologi, kualitas udara dan geofisika.
4. Berpartisipasi aktif dalam kegiatan internasional dibidang
meteorologi, klimatologi, kualitas udara dan geofisika.
Kepala Stasiun BMKG
Dhira Utama
Nip. 19761019 199903 1 001
KA. URS. Tata Usaha
Nursida
Nip. 19601010 198103 2 001

Bendahara Pengeluaran
Ika Marianti
2.6 Struktur Organisasi Nip. 19860302 200812 2 001

Struktur Organisasi Stasiun Badan Metereologi Klimatologi dan


Pengelola Geofisika
Barang
Srini
Nip. 19770610 199703 2 001

Bendahara Penerima
Bhakti Wira Kusumah
Nip. 19860924 200812 1 001

Staff TU
T. Monika Saragih
Nip. 19870307 200911 2 001
Kep. Kelompok Teknisi
Tumardi
Nip. 19860924 200812 1 001

Koordinasi Peramatan Koordinasi Prakirawan Koordinasi Pengolahan Koordinasi Elek dan Kom
Agus Mulyatno Bhakti Wira Kusumah Dwi Astuti Ahmad Zulfa
Nip. 19860924 200812 1 001
Nip. 19600515 198303 1 001 Nip. 19860128 200604 1 003
Nip. 19740208 199403 2 001

Bambang Karseno Arditho Bramandika Putra


Nip. 19640317 198511 1 001 19880428 201012 1 001
Nip.

Haryadi Harri Saputro


Nip. 19922070 8201312 1 001
Nip. 19650726 198711 1001

Tumardi
Vivi Putrima ardah
Nip. 19860924 200812 1 001
Nip. 19880428 201012 1 001
Gambar 2.1 Struktur
BABOrganisasi
III BMKG

LANDASAN TEORI

3.1 Peramalan

Dalam Kamus Besar Bahasa Indonesia (KBBI) pengertian peramalan


adalah kegiatan untuk menduga hal yang akan terjadi. Beberapa definisi lainnya
tentang peramalan, yaitu :
Peramalan diartikan sebagai penggunaan teknik-teknik statistik dalam
bentuk gambaran masa depan berdasarkan pengolahan angka-angka
historis (Buffa dkk., 1996).
Peramalan merupakan bagian internal dari kegiatan pengambilan
keputusan manajemen (Makridakis dkk., 1999).
Peramalan adalah prediksi, rencana atau estimasi kejadian masa depan
yang tidak pasti.

Metode peramalan merupakan cara memperkirakan apa yang akan terjadi


pada masa depan secara sistematis dan pragmatis atas dasar data yang relevan
pada masa yang lalu, sehingga dengan demikian metode peramalan diharapkan
dapat memberikan objektivitas yang lebih besar. Selain itu metode peramalan
dapat memberikan cara pengerjaan yang teratur dan terarah, dengan demikian
dapat dimungkinkannya penggunaan teknik penganalisaan yang lebih maju.
(Sandino, 2013)

Dengan penggunaan teknik-teknik tersebut maka diharapkan dapat


memberikan tingkat kepercayaan dan keyakinan yang lebih besar karena dapat
diuji penyimpangan atau deviasi yang terjadi secara ilmiah.

3.1.1 Jenis - jenis Peramalan

1. Peramalan Kualitatif

Peramalan kualitatif adalah peramalan yang didasarkan atas pendapat


suatu pihak dan datanya tidak dapat direpresentasikan secara tegas menjadi
suatu angka atau nilai. Hasil peramalan yang dibuat sangat bergantung pada
orang yang menyusunnya. Hal ini penting karena hasil peramalan tersebut
ditentukan berdasarkan pemikiran yang intuisi, pendapat dan pengetahuan
serta pengalaman penyusunnya. (Jumingan, 2009).

2. Peramalan Kuantitatif

Peramalan kuantitaf adalah peramalan yang didasarkan atas data


kuantitatif masa lalu dan dapat dibuat dalam bentuk angka yang biasa disebut
sebagai data time series. (Jumingan, 2009).

Hasil peramalan yang dibuat sangat bergantung pada metode yang


dipergunakan dalam peramalan tersebut. Baik tidaknya metode yang
dipergunakan ditentukan oleh perbedaan atau penyimpangan antara hasil
ramalan dengan kenyataan yang terjadi. Jika penyimpangan semakin kecil
antara hasil ramalan dengan kenyataan maka semakin baik pula metode yang
digunakan.

3.2 Data Berkala

Data berkala adalah data yang dikumpulkan dari waktu ke waktu untuk
menggambarkan perkembangan suatu kegiatan. Analisis data berkala
memungkinkan kita untuk mengetahui perkembangan suatu atau beberapa
kejadian serta hubungan/pengaruhnya terhadap kejadian lainnya. (Jumingan,
2009).

Pola gerakan data atau nilai-nilai variabel dapat diikuti atau diketahui
dengan adanya data berkala, sehingga data berkala dapat dijadikan sebagai dasar
untuk :
Pembuatan keputusan pada saat ini.
Peramalan keadaan perdagangan dan ekonomi pada masa yang akan
datang.
Perencanaan kegiatan untuk masa depan.

Menurut Makridakis, Wheelwright dan McGee (1992) Gerakan-gerakan khas


atau pola data dari data time series dapat digolongkan ke dalam empat kelompok
utama, yang sering disebut komponen-komponen time series :

Gerakan jangka panjang atau sekuler merujuk kepada arah umum dari
grafik time series yang meliputi jangka waktu yang panjang.
Gerakan siklis atau variasi siklis merujuk kepada gerakan naik-turun
dalam jangka panjang dari suatu garis atau kurva trend. Siklis yang
demikian dapat terjadi secara periodik ataupun tidak, dapat ataupun tidak
dapat mengikuti pola yang tepat sama setelah interval-interval waktu yang
sama. Dalam kegiatan bisnis dan ekonomi, gerakan-gerakan hanya
dianggap siklis apabila timbul kembali setelah interval waktu lebih dari
satu tahun.
Gerakan musiman atau seasonal movements merujuk kepada pola-pola
yang identik, atau hampir identik yang cenderung diikuti suatu time series
selama bulan-bulan yang bersangkutan dari tahun ke tahun. Gerakan-
gerakan demikian disebabkan oleh peristiwa-peristiwa yang berulang-
ulang terjadi setiap tahun.
Gerakan tidak teratur atau random movements merujuk kepada gerakan-
gerakan sporadis dari time series yang disebabkan karena peristiwa-
peristiwa kebetulan seperti banjir, pemogokan, pemilihan umum dan
sebagainya. Meskipun umumnya peristiwa-peristiwa tersebut dianggap
menyebabkan variasi-variasi yang hanya berlangsung untuk jangka
pendek, namun dapat saja terjadi bahwa peristiwa-peristiwa ini demikian
hebatnya sehingga menyebabkan gerakan-gerakan siklis atau hal lain yang
baru.
3.3 Logika Fuzzy

Logika fuzzy merupakan salah satu pembentuk soft computing. Logika


fuzzy pertama kali diperkenalkan oleh Prof. Lofti A. Zadeh pada tahun 1965.
(Kusumadewi dan Purnomo, 2010)

Ada beberapa definisi tentang logika fuzzy, diantaranya :

Logika fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat


keabuan antara hitam dan putih, dalam bentuk linguistik, konsep tidak
pasti seperti sedikit,lumayan dan sangat (Zadeh, 1965).
Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang
input ke dalam suatu ruang output, mempunyai nilai kontiniu dan logika
fuzzy dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari
kebenaran (Kusumadewi, 2002).
Logika fuzzy adalah logika yang digunakan untuk menjelaskan
keambiguan, dimana logika fuzzy adalah cabang teori dari himpunan
fuzzy, himpunan yang menyelesaikan keambiguan (Vrusias, 2005).
Logika fuzzy menyediakan suatu cara untuk merubah pernyataan
linguistic menjadi suatu numerik (Synaptic, 2006).

3.3.1 Himpunan Fuzzy

Pada himpunan tegas atau crisp, nilai keanggotaan suatu item x dalam

suatu himpunan A yang sering ditulis dengan memiliki dua kemungkinan


(Kusumadewi dan Purnomo, 2010) yaitu:
Satu (1) yang berarti bahwa suatu item menjadi anggota dalam suatu
himpunan, atau
Nol (0) yang berarti bahwa suatu item tidak menjadi anggota dalam suatu
himpunan.
Pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1. Apabila
x memiliki nilai keanggotaan fuzzy berarti x tidak menjadi anggota

himpunan A. Demikian juga, apabila x memiliki nilai keanggotaan fuzzy


berarti x menjadi anggota penuh pada himpunan A. Keanggotaan fuzzy
memberikan suatu ukuran terhadap pendapat atau keputusan. Himpunan fuzzy
memiliki 2 atribut, yaitu
Linguistik yaitu penamaan suatu grup yang mewakili suatu keadaan atau
kondisi tertentu dengan menggunakan bahasa alami, seperti dingin, sejuk,
normal, hangat dan panas.
Numeris yaitu suatu nilai atau angka yang menunjukkan ukuran dari
suatu variabel seperti 40, 25,50 dan sebagainya.
3.3.2 Metode Fuzzy Time Series Invariant

Perbedaan utama antara fuzzy time series dan konvensional time series
yaitu pada nilai yang digunakan dalam peramalan, yang merupakan himpunan
fuzzy dari bilangan-bilangan real atas himpunan semesta yang ditentukan.
Himpunan fuzzy dapat diartikan sebagai suatu kelas bilangan dengan batasan
yang samar. (Chen, 1996)

Jika U adalah himpunan semesta, U = {u1, uz, ... , un}, maka suatu
himpunan fuzzy A dari U dedefinisikan sebagai A = fA(u1)/u1 + fA(u2)/u2 + +
fA(un)/un dimana fA adalah fungsi keanggotaan dari A, fA : U [0,1] and 1 i
n. Sedangkan definisi dari fuzzy time series adalah misalkan Y (t) (t= ,0,1,2,
), adalah himpunan bagian dari R, yang menjadi himpunan semesta dimana
himpunan fuzzy fi(t) (i=1,2, ) telah didefinisikan sebelumnya dan jadikan F(t)
menjadi kumpulan dari fi(t)(i=1,2,). Maka, F(t) dinyatakan sebagai fuzzy time
series terhadap Y(t)(t=,0,1,2,). (Chen, 1996)

Dari definisi di atas, dapat dilihat bahwa F(t) bisa dianggap sebagai
variabel linguistik dan fi(t)(i=1,2,) bisa dianggap sebagai kemungkinan nilai
linguistik dari F(t), dimana fi(t)(i=1,2,) direpresentasikan oleh suatu himpunan
fuzzy. Bisa dilihat juga bahwa F(t) adalah suatu fungsi waktu dari t misalnya,
nilai-nilai dari 17 F(t) bisa berbeda pada waktu yang yang berbeda bergantung
pada kenyataan bahwa himpunan semesta bisa berbeda pada waktu yang berbeda.
Dan jika F(t) hanya disebabkan oleh F(t-1) maka hubungan ini digambarkan
sebagai F(t-1) F(t).(Chen, 1996)

Berikut ini merupakan langkah-langkah proses peramalan pada metode


time invariant fuzzy time series menurut Chen pada jurnalnya tahun 1996 :

Mendefinisikan himpunan semesta U = [Vmin, Vmax] menjadi sejumlah


ganjil interval yang sama u1, u2, , um, dari variasi data historisnya.
Mempartisi U menjadi panjang interval yang sama. Agar U dapat dengan
mudah dipartisi menjadi panjang interval yang sama , maka anggap U =
[Vmin-V1, Vmax+V2] / panjang interval.
Ket :
- V1 dan V2 : Nilai bilangan real positif yang di masukkan untuk
memudahkan perhitungan partisi himpunan semesta. Nilai dari V1
dan V2 dapat digunakan untuk mendapatkan nilai pembagi untuk
mempartisi U, maka V1 dan V1 apabila dihitung menggunakan
rumus [Vmin-V1, Vmax+V2 ] mod panjang interval = 0.
- Panjang interval : merupakan nilai masukan berupa bilangan real
positif yang digunakan untuk membagi interval sama panjang
dengan panjang interval yang diinput
Mendefinisikan himpunan fuzzy Ai. Jadikan A1, A2, , Ak menjadi suatu
himpunan-himpunan fuzzy yang variabel linguistiknya ditentukan sesuai
dengan keadaan semesta. Kemudian definisikan himpunan-himpunan
fuzzy tersebut sebagaimana berikut ini :
A1 = a11 / u1 + a12 / u2 + + a1m / um
A2 = a21 / u1 + a22 / u2 + + a2m / um

A3 = ak1 / u1 + ak2 / u2 + + akm / um
Di mana aij [0,1], 1 i k, and 1 j m. nilai dari aij menunjukkan
derajat keanggotaan dari uj dalam himpunan fuzzy Ai. Penentuan derajat
untuk masing-masing Ai(i= 1,2,,m) yaitu jika keanggotaan maximum
dari suatu data dibawah Ak maka nilai fuzzifikasi-nya dikatakan sebagai
Ak.
A1 = 1/ u1 + 0.5/ u2 + 0/ u3 + 0/ u4 + 0/ u5 + 0/ u6 + 0/ u7
A2 = 0.5/ u1 + 1/ u2 + 0.5/ u3 + 0/ u4 + 0/ u5 + 0/ u6 + 0/ u7
A3 = 0/ u1 + 0.5/ u2 + 1/ u3 + 0.5/ u4 + 0/ u5 + 0/ u6 + 0/ u7
A4 = 0/ u1 + 0/ u2 + 0.5/ u3 + 1/ u4 + 0.5/ u5 + 0/ u6 + 0/ u7
A5 = 0/ u1 + 0/ u2 + 0/ u3 + 0.5/ u4 + 1/ u5 + 0.5/ u6 + 0/ u7
A6 = 0/ u1 + 0/ u2 + 0/ u3 + 0/ u4 + 0.5/ u5 + 1/ u6 + 0.5/ u7
A7 = 0/ u1 + 0/ u2 + 0/ u3 + 0/ u4 + 0/ u5 + 0.5/ u6 + 1/ u7
Fuzifikasi selisih data historis
Misal diberikan selisih data historis u, i=1, 2,m. Asumsikan r1 = p dan
p u p merepresentasikan sebuah himpunan fuzzy Aj dengan nilai
derajat keanggotaan maksimum terdapat pada u maka p terfuzzifikasi
sebagai Aj.
Kemudian menetukan Fuzzy Logical Relationship (FLR) ditentukan
berdasarkan pencocokan himpunan fuzzy dan data histori yang ada. Maka
bisa diperoleh fuzzy logical relationship, dimana fuzzy logical relationship
Aj Ak berarti jika nilai curah hujan pada tahun i adalah Aj maka pada
tahun i+1 adalah Ak. Aj sebagai sisi kiri relationship disebut sebagai
current state dan Ak sebagai sisi kanan relationship disebut sebagai next
state. Dan jika terjadi perulangan hubungan maka tetap dihitung sekali.
Kemudian menentukan Group Fuzzy Relationship (Ri) untuk setiap grup
kei i dengan cara bagi fuzzy logical relationship yang telah diperoleh
menjadi beberapa bagian berdasarkan sisi kiri (current state). Contoh :
Asumsikan terdapat dua buah relasi logika fuzzy dengan A2 A1 dan A2
A3 maka grup relasi logika fuzzy adalah A2 A1, A3. Misal R2
merupakan gabungan relasi fuzzy pada grup relasi logika fuzzy A2 A1,
A3 maka :
R 2= A T x A 1 U A T x A 3
Meramalkan output peramalannya dan mendeffuzifikasikannya.
Ramalkan output dalam bentuk himpunan fuzzy dan defuzzifikasi outp
ut peramalan ke dalam bentuk selisih data historis.
Menentukan grup relasi logika fuzzy yang akan digukan untuk peramalan
berdasarkan A-1
pada tahun sebelumnya yang diketahui dengan persamaan:

Jika A1= Aj maka R=Rj , j=1, 2,3, 4

Dengan menggunakan definisi dari model peramalan komposit


A A1 R

Dimana A adalah selilisih yang akan diramalkan pada tahun ke i

dalam artian himpunan fuzzy. Setelah outpur peramalan dalam bentuk


himpunan fuzzy akan dilakukan defuzifikasi untuk memperoleh nilaiselisih
peramalan (Z) dalam jurnal Malike
Sah dan Konstantin Y. Degtiarev langkah-langkah defuzzifikasi adalah seb
agai berikut:
a. Jika nilai keanggotaan outputnya adalah 0, maka z = 0.
b. Jika nilai keanggotaan outputnya memiliki 1 maximum, maka titik
tengah interval dimana nilai ini dicapai adalah Z. Defuzzifikasi ini
serupa dengan metode max membership principle.
c. Jika nilai keanggotaan dari output nya memiliki lebih dari 2 nilai
maximum yang berurutan maka titik tengah interval dimana nilai ini
dicapai adalah z.
d. Jika output selain dari hal diatas maka digunakan metode centroid.
Langkah terakhir adalah melakukan perhitungan galat atau
error. Untuk menghitung error peramalan digunakan rumus
:

3.3.3 Panjang Interval Pada Fuzzy Time Series


Menurut chen dalam jurnalnya tahun dalam perhitungan peramalan
dengan menggunakan fuzzy time series standar, panjang interval telah ditentukan
di awal proses perhitungan. Sedangkan penentuan panjang interval sangat
berpengaruh dalam pembentukan fuzzy relationship yang tentunya akan
memberikan dampak perbedaan hasil perhitungan peramalan. Oleh karena itu,
pembentukan fuzzy relationship haruslah tepat dan hal ini mengharuskan
penentuan panjang interval yang sesuai. Kunci utama dalam penentuan panjang
interval adalah tidak boleh terlalu besar dan tidak boleh terlalu kecil, karena jika
interval itu terlalu besar maka tidak akan terjadi fluktuasi dalam proses
perhitungan fuzzy time series, demikian juga jika interval tersebut terlalu kecil
maka makna dari fuzzy time series sendiri akan hilang (karena himpunan yang
terbentuk cenderung ke himpunan tegas/crisp).
3.4 Unified Modelling Language (UML)

Unified Modelling Language (UML) merupakan notasi grafis yang


didukung oleh meta model tunggal yang membantu pendeskripsian dan desain
sistem perangkat lunak, khususnya sistem yang dibangun menggunakan Object
Oriented Programming (OOP). (Fowler, 2004)

UML lahir dari penggabungan banyak Bahasa pemodelan grafis


berorientasi objek yang berkembang pesat pada akhir tahun 1980 dan awal 1990
an. UML versi 2 terdiri dari 13 diagram yaitu Use Case Diagram, Activity
Diagram, Sequence Diagram, Class Diagram, Communication Diagram,
Component Diagram, Composite Diagram, Deployment Diagram, Object
Diagram, Package Diagram, State Machine Diagram, dan Timing Diagram.

3.5 Entity Relationship Diagram (ERD)

Entity Relationship Diagram adalah model data konseptual tingkat tinggi


untuk perancangan basis data. Model data konseptual adalah himpunan konsep
yang mendeskripsikan struktur basis data, transaksi pengambilan dan pembaruan
basis data. Model ER (Entity Relationship) adalah data konseptual tak tergantung
DBMS (Database Management System) dan platform perangkat keras tertentu.
(Chen, 1996)

Model ER dikemukakan oleh Chen (1996). Sejak itu, telah memperoleh


banyak perhatian dan perluasan. Model ER adalah persepsi terhadap dunia nyata
sebagai terdiri objek-objek dasar yang disebut entitas dan keterhubungan
(relationship) antar entitas-entitas itu. Konsep paling dasar di model ER adalah
entitas, relationship dan atribut. Komponen-komponen utama model ER adalah:
- Entitas (entity), Entitas memodelkan objek-objek yang berada
diperusahaan/lingkungan.
- Relationship, Relationship memodelkan koneksi/hubungan di antara
entitas-entitas.
- Atribut-atribut (properi-properti), memodelkan properti-properti dari
entitas dan relationship.
- Konstrain-konstrain (batasan-batasan) integritas, konstrain-konstrain
ketentuan validitas.

BAB IV

PERANCANGAN

4.1 Perancangan Sistem

Perancangan Sistem diawali dengan menentukan segala keperluan yang


akan memenuhi apa yang akan dibutuhkan oleh sistem, siapa yang mengambil
langkah ini dan bagaimana mereka akan disesuaikan. Umumnya, perancangan
bergerak dari input ke output. Output sistem yang terdiri dari reports dan file
untuk memuaskan kebutuhan organisasi harus dibatasi dengan jelas. Menurut
Lonnie D.Bentley dan Jeffrey L.Whitten (2007, p160), perancangan sistem adalah
suatu teknik menggabungkan kembali bagian-bagian informasi yang telah
dipisahkan oleh analisis sitem.

Perancangan sistem informasi prediksi curah hujan ini dilakukan dengan


melakukan perancangan basis data dan perancangan program menggunakan UML
(Unified Modelling Language). Pada perancangan basis data meliputi ERD
(Entity Relationship Diagram) dan struktur tabel. Sedangkan pada UML meliputi
use case, activity diagram, sequence diagram dan class diagram.

4.1.1 Perancangan Basis Data

ERD Entity Relationship Diagram

Gambar 4. 1 ERD sistem

Struktul Tabel

Tabel Hujan
tahun varchar (4)
curah double

Tabel User
id_pengguna int primary key
nama_pengguna varchar (8)
password varchar (8)

Tabel hasil_prediksi
id_hasil int primary key
tanggal_prediksi varchar (10)
tahun_prediksi varchar (8)
panjang_interval int(3)
V1 int(3)
V2 Int(3)
nilai_prediksi Int(3)
error double

4.1.2 Unified Modelling Language


A. Model Use Case

1. Use Case Diagram


Gambar 4.2 Use case diagram

2. Skenario Use Case


Skenario use case login

Tabel 4.1 Skenario use case login

Use Case Login


Actor User
PreCondition -
PostCondition Sistem menampilkan menu utama untuk mengelola data
Main Flow Of Event
Actor System Response
1 Menjalankan program 2 Menampilkan Form Login
3 Mengisi username dan password
4 Memilih tombol OK 5 Memverifikasi Login
6 Menampilkan menu utama
Exceptional Flow Of Event
Section 6 1. Jika data login (username/password) tidak terverifikasi, sistem
akan menampilkan pesan kesalahan
2. Kembali ke section 3

Skenario use case kelola data curah hujan

Tabel 4.2 Skenario use case kelola data curah hujan

Use Case Kelola Data Curah Hujan


Actor User
PreCondition Sistem menampilkan menu-menu utama
Data barang di database bertambah, berubah atau dihapus
PostCondition
sesuai dengan pilihan actor
Main Flow Of Event
Actor Action System Response
Mengambil data curah hujan dari
1 Memilih menu curah hujan 2
database
Menampilkan daftar data curah
3
hujan
4 Mengisi data curah hujan
Menekan button kelola data Menambah atau mengupdate data
5 6
(simpan, edit) curah hujan ke dalam database
7 Menampilkan pesan status
pengelolaan data
8 Menampilkan data
Exceptional Flow Of Event
Section 4.1 1. Jika actor memilih menu edit, maka sistem akan mengambil data
curah hujan yang akan diedit dari database
2. Menuju ke section5
Section 4.2 1. Jika actor memilih menu hapus, maka sistem akan menampilkan
pesan konfirmasi hapus data
2. Jika actor memilih opsi Yes, maka sistem akan menghapus data
curah hujan dari database
3. Menuju ke section 8

Skenario use case hitung prediksi

Tabel 4. 3 Tabel skenario use case kelola hitung prediksi

Use Case Hitung Prediksi


Actor User
PreCondition Sistem menampilkan menu-menu utama
PostCondition Menampilkan hasil prediksi curah hujan
Main Flow Of Event
Actor Action System Response
Menampilkan form input
1 Memilih menu prediksi 2
himpunan, v1 v2
3 Menginput panjang interval, v1, v2
4 Menekan button prediksi 5 Menghitung prediksi
6 Menampilkan hasil prediksi
7 Melihat hasil prediksi
Exceptional Flow Of Event
Section 6.1 1. Jika himpunan, v1 dan v2 dihitung dengan rumus untuk mencari
nilai U, jika mod != 0, maka sistem tidak memproses data.
2. Menuju ke section 3
Section 8.1 1. Jika actor menekan button batal maka sistem akan mengosongkan
semua fields.
2. Jika actor menekan button simpan hasil maka sistem akan
menyimpan hasil prediksi kedalam tabel hasil prediksi.
3. Menuju section 3
Skenario use case lihat data hasil prediksi dan hapus data hasil
prediksi

Use Case Lihat data hasil prediksi dan hapus data hasil prediksi
Actor User
PreCondition Sistem menampilkan menu-menu utama
PostCondition -
Main Flow Of Event
Actor Action System Response
Menampilkan form data hasil
1 Memilih menu hasil prediksi 2
prediksi
4 Melihat data prediksi
5 Memilih data prediksi
6 Menekan button hapus 7 Menghapus data hasil prediksi
8 Melihat hasil prediksi
Exceptional Flow Of Event

B. Realisasi Use Case

Realisasi use case di jelaskan dalam bentuk sequence diagram dan


activity diagram. Realisasi use case dibuat untuk merealisasiskan diagram use
case untuk menjelaskan aktivitas aktivitas yang ada pada tiap tiap use case
dalam diagram use case.

1. Activity Diagram

Activity diagram adalah teknik untuk menggambarkan logika


prosedural, proses bisnis, dan jalur kerja. Dalam beberapa hal , diagram ini
memegang peranan mirip dengan sebuah diagram alir, tetapi perbedaan
prinsip antara diagram ini dengan diagram alir adalah pada activity
diagram mendukung behavior paralel. (Fowler, 2004)

Berikut ini merupakan activity diagram pada sistem informasi


peramalan curah hujan:
Activity diagram login

Gambar 4. 3 Activity diagram login


Activity diagram kelola data curah hujan

Gambar 4.4 Activity diagram kelola data curah hujan


Activity diagram hitung prediksi

Gambar 4.5 Activity diagram hitung prediksi curah hujan


Activity diagram kelola data hasil prediksi

Gambar 4. 6 Activity diagram kelola data hasil prediksi

2. Sequence Diagram

Sequence Diagram merupakan diagram yang secara khusus


menjabarkan behavior sebuah scenario tunggal. Diagram ini menunjukkan
sejumlah objek contoh dan pesan pesan yang melewati objek objek ini di
dalam Use Case. (Fowler, 2004)
Berikut ini merupakan Sequence Diagram pada sistem
informasiperamalan curah hujan:

Sequence diagram login

Gambar 4.7 Sequence diagram login

Sequence diagram input data curah hujan


Gambar 4. 8 Sequence diagram input data curah hujan

Sequence diagram edit data curah hujan

Gambar 4.9 Sequence diagram edit data curah hujan

Sequence diagram hapus data curah hujan


Gambar 4.10 Sequence diagram hapus data curah hujan

Sequence diagram prediksi curah hujan

Gambar 4.11 Sequence diagram hitung prediksi curah hujan

Sequence diagram simpan data hasil prediksi


Gambar 4. 12 Sequence diagram simpan data hasil prediksi

Sequence diagram hapus data hasil prediksi

Gambar 4. 13 Sequence diagram hapus data hasil prediksi

3. Class Diagram
Gambar 4.14 Kelas diagram

4.1.3 Interface

Login

Gambar 4.15 Interface login

Home
Gambar 4.16 Interface home

Kelola data curah hujan

Gambar 4.17 Interface kelola data curah hujan


Hitung prediksi curah hujan

Gambar 4.18 Interface hitung curah hujan

Data hasil prediksi


Gambar 4.19 Interface data hasil prediksi

BAB V

IMPLEMENTASI

1 Batasan Implementasi

Implementasi sistem informasi peramalan curah hujan dilakukan


menggunakan bahasa pemograman Java dengan menggunakan basis data MySQL.
Sistem ini digunakan untuk melakukan peramalan rata rata curah hujan tahun
2015. Beberapa hal berikut ini merupakan batasan dalam mengimplementasikan
perangkat lunak :

1 Perangkat Lunak Sistem (Software)

Perangkat lunak yang dibangun menggunakan beberapa perangkat lunak


pembantu yang terdiri atas :
Sistem operasi windows 7 Ultimate 32-bit
XAMPP v. 3.2.1
Astah
Microsoft Visio 2010
MySQL Databases
NetBeans IDE v 7.3.1

2 Perangkat Keras (Hardware)

Perangkat keras yang digunakan dalam membangun sistem ini terdiri atas :

Processor Intel(R) Core(TM) i3-2330M


Memory 2048MB RAM dan HDD 500 GB

2 Implementasi Program

Login

Gambar 5.1 Form login

Kelola Data Curah Hujan


Gambar 5.2 Kelola data curah hujan
Form ini merupakan form yang digunakan untuk mengelola data curah
hujan, seperti input, hapus dan update.

Hitung Prediksi Curah Hujan

Untuk melakukan prediksi pertama kali user harus menginput panjang


interval yang digunakan untuk membagi interval himpunan semesta U,
selanjutnya input nilai v1 dan v2 lalu hitung interval agar nilai dari v1 dan v2
jika dihitung menggunakan rumus U = [ Vmin - V1, Vmax + V2 ] mod panjang
interval = 0 maka nilai dari v1 dan v2 bisa digunakan untuk membagi interval
semesta U sama panjang dengan jumlah panjang interval yang diinput, dan
melanjutkan ke proses perhitungan prediksi.
Gambar 5.3 Prediksi curah hujan menggunakan metode fuzzy time series
Invariant

Dari gambar diatas menunjukkan bahwa hasil prediksi curah hujan di


tahun 2015 dengan menggunakan panjang interval = 5 dan nilai v1 = 8 dan v2
= 8 adalah 3103 mm dengan tingkat error 15.5299%. Apabila penjumlahan
nilai U = [ Vmin - V1, Vmax + V2 ] mod panjang interval != 0 maka sistem
tidak bisa melakukan prediksi karena nilai dari v1 dan v2 tidak bisa digunakan
untuk mencari nilai pembagi yang digunakan untuk menentukan panjang
interval.
Gambar 5.4 Gagal prediksi

Data hasil peramalan dapat disimpan, user hanya perlu menekan


button simpan hasil. Berikut ini merupakan form penyimpanan hasil dari
peramalan :

Gambar 5. 5 Data hasil prediksi


BAB VI

PENUTUP

6.1 Kesimpulan

Adapun kesimpulan dari pembuatan sistem peramalan curah hujan


menggunakan metode Fuzzy Time Series Invariant dirangkum sebagai berikut:

Pada peramalan curah hujan di Tanjungpinang pada tahun 2015 dengan


menggunakan panjang interval = 5, dan nilai V1 = 8 dan V2 = 8 adalah
3103mm dengan error sebesar 15.5299%.
Penginputan nilai panjang interval serta nilai V1 dan V2 memberikan hasil
peramalan yang berbeda, artinya panjang interval, V1 dan V2 memberikan
pengaruh terhadap ketepatan peramalan.
Nilai dari V1 dan V2 jika dihitung menggunakan rumus [Vmin - V1,
Vmax + V2], [Vmax - Vmin] mod panjang interval = 0. Apabila nilai V1
dan V2 dihitung menghasilkan nilai != 0 maka proses perhitungan
prakiraan tidak akan bisa dilakukan, ini karena nilai interval tidak bisa
dibagi sama panjang.

6.2 Saran

Sebaiknya dalam menggunakan metode Fuzzy Time Series


Invariant, kita lebih baik menemukan hasil ramalan dengan error
terkecil, barulah mengasumsikan nilai linguistiknya.
LAMPIRAN 1
A. PERHITUNGAN MANUAL)

Contoh perhitungan prediksi curah hujan menggunakan metode Fuzzy Time Series
Invariant :

1. Diketahui data curah hujan sebagai berikut.

No Tahun Curah Hujan


1 2008 3375
2 2009 2739
3 2010 3165
4 2011 3923
5 2012 3203
6 2013 3390
7 2014 3093

2. Cari nilai variasi dari masing masing data, berikut ini merupakan variasi dari
data diatas :

No Tahun Curah Hujan Variasi


1 2008 3375
2 2009 2739 -636
3 2010 3165 426
4 2011 3923 758
5 2012 3203 -720
6 2013 3390 187
7 2014 3093 -297

Dari tabel diatas diketahui Vmax = 758 dan Vmin = -720. Penulis megambil
nilai panjang interval = 3, V1 = 4 dan V2 = 3. Nilai V1 dan V2 jika
dijumlahkan dengan rumus berikut [ Vmin - V1, Vmax + V2 ], [Vmax -
Vmin] mod panjang interval = 0.
Sebagai contoh : U = [-720 - 4, 758+3 ] = [-724, 761]
= [761 + 724]
= 1485 mod 3 = 0

3. Selanjutnya mencari nilai U, Agar U dapat dengan mudah dipartisi menjadi


panjang interval yang sama , maka anggap U = [-720 - 4, 758+3 ]
= [-724, 761]/3
= 495

4. Dengan menggunakan panjang interval = 3, maka U dipartisi menjadi 3


interval yang sama panjang ui, i = 1, 3 yaitu:
U1 = [-724 + 495] = [-229]
U2 = [-229 + 495] = [226]
U3 = [266 + 495] = [761]

Jadi nilai rentang atau interval dari U1, U2, U3 adalah :


U1 = [-724, -229]
U2 = [-229, 226]
U3 = [226, 761]

5. Untuk 3 interval yang ada, setiap ui, i = 1, 3 Aj, j = 1, 3 dinyatakan dengan


nilai real pada range [0,1]:
A1 = {1/u1, 0,5/u2, 0/u3}
A2 = {0,5/u1, 1/u2, 0,5/u3}
A3 = {0/u1, 0,5/u2, 1/u3}

Dengan ui U adalah elemen dari himpunan semesta dan bilangan yang


diberi simbol / menyatakan derajat keanggotaan terhadap (ui) terhadap Aj,
j = 1, 3.

6. Jika variasi pada tahun t adalah p, dan p ui dan jika nilai yang dinyatakan
oleh himpunan fuzzy Aj dengan nilai keanggotaan maximum jatuh pada ui,
maka p dinyatakan fuzzified pada Aj. Hasil Variasi dari data pendaftaran yang
difuzzified dinyatakan pada tabel di bawah ini:
No Tahun Curah Hujan Variasi Fuzzified variasi
1 2008 3375
2 2009 2739 -636 A1
3 2010 3165 426 A3
4 2011 3923 758 A3
5 2012 3203 -720 A1
6 2013 3390 187 A2
7 2014 3093 -297 A1

7. Menyatakan relasi orde-pertama dari variasi fuzzy :


A1 A3
A3 A3
A3 A1
A1 A2
A2 A1

8. Mengkombinasikan relasi fuzzy menjadi grup relasi fuzzy, jika memiliki sisi
kiri yang sama :
A1 A3, A2
A2 A1
A3 A3, A1

9. Menghitung nilai Ri, i = 1, 6 sebagai gabungan relasi logic sehingga


R1 = A1 transpose x A2 U A1 transpose x A3
R2 = A2 transpose x A1
R1 = A3 transpose x A1 U A3 transpose x A3
Setelah nilai Ri didapat kan, maka ditentukan nilai dari Ai.Ri dimana nilai ini
diambil dari nilai maksimum dengan membandingkan nilai pada tiap baris
atau kolom pada Ri.

10. Defuzzifikasi
Proses deffuzifikasi ini dilakukan dengan mencari nilai Z pada tiap tiap
tahun. Dimana tahun yang dicari nilai z nya dimulai dari tahun 2010, dimulai
dari tahun 2010 karena nantinya data dari nilai sebelumnya akan diambil
untuk nilai prediksi.

No Tahun Curah Hujan Variasi Fuzzified Variasi


1 2008 3375
2 2009 2739 -636 A1
3 2010 3165 426 A3 A1
4 2011 3923 758 A3 A3
5 2012 3203 -720 A1 A3
6 2013 3390 187 A2 A1
7 2014 3093 -297 A1 A2
8 2015 A1

F(2010) = A1.R1 [0.5 1 1]


Pada A1.R1 ditemukan nilai output max pada U2 dan U3
U2 = [-229, 226], U3 = [226, 761]

Cari Y dengan menggunakan rumus : (Batas atas batas bawah) / 2


Y = (761 +229)/2 = 495

Selanjutnya cari nilai Z = Batas bawah + Y


Z = -229 + 495 =266
Jadi,nilai Z pada F(2010) = 266

F(2011) = A3.R3 [1 0.5 1]


Max = U1 dan U3
U1 = [-724, -229], U3 = [226, 761]
Y = (761 + 724) /2 = 742.5
Z = (-724 + 742.5) = 18.5

F(2012) = A3.R3
Z = 18.5
F(2013) = A1.R1
Z = 266
F(2014) = A2.R2 [1 0.5 0]
Max = U1
U1 = [-724, -229]
Y = (-229 + 724) / 2 = 476.5
F(2015) = A1.R1
Z = 266

Diketahui nilai Z sebagai berikut :

No Tahun Curah Hujan (a) Variasi Fuzzified Variasi Z


1 2008 3375
2 2009 2739 -636 A1
3 2010 3165 426 A3 A1 266
4 2011 3923 758 A3 A3 18.5
5 2012 3203 -720 A1 A3 18.5
6 2013 3390 187 A2 A1 266
476.
7 2014 3093 -297 A1 A2
5
8 2015 A1 266

11. Setelah didapat nilai Z maka langkah selanjutnya adalah menghitung


peramalan curah hujan dari tahun 2010. Dengan cara curah hujan 2009 Z
2010, lakukan cara yang sama sampai curah hujan di tahun 2015 ditemukan.

Curah Variasi Fuzzified Curah hujan


No Tahun Z |a-b|
Hujan (a) (V) Variasi prediksi (b)
1 2008 3375
2 2009 2739 -636 A1
3 2010 3165 426 A3 A1 266 2473 692
4 2011 3923 758 A3 A3 18.5 3146.5 776.5
5 2012 3203 -720 A1 A3 18.5 3904.5 701.5
6 2013 3390 187 A2 A1 266 2937 453
7 2014 3093 -297 A1 A2 476.5 2913.5 773.5
8 2015 A1 266 2827
22888 3396.5

Pada tabel diatas bisa dilihat bahwa prediksi curah hujan di tahun 2015 adalan
2827 mm. Langkah selanjutnya adalah mengetahui persentase error prediksi :

Atau
(|a-b| / b) x 100%

Galat / error = (3396.5/2288)


= 0.148397 x 100%
= 14.83965 %

Jadi dengan menggunakan panjanginterval = 3, V1 = 4, dan V2 = 3,


didapat hasil peramalan curah hujan tahun 2015 sebesar 2827mm dengan tingkat
error sebesar 14.83965%.

B. HASIL PERAMALAN

Pada bagian ini menampilkan 50 data hasil peramalan dengan


menggunakan panjang interval, serta nilai V1 dan V2 yang berbeda, yang mana
perbedaan penginputan nilai ini akan memberikan hasil peramalan yang berbeda
pula, hasil peramalan tersebut dapat dilihat didalam tabel di bawah ini :

Tabel data hasil peramalan

Tanggal Tahun Panjang Hasil


No V1 V2 Error
Prediksi Prediksi Interval Prediksi

1 20-01-2016 2015 5 7 4 3335 15.8738

2 20-01-2016 2015 15 90 96 2772 16.5301

3 20-01-2016 2015 15 31 5 2776 17.2966

4 20-01-2016 2015 15 106 200 2713 18.2787

5 20-01-2016 2015 20 1 0 3509 17.6634

6 21-01-2016 2015 8 6 3 2520 18.819

7 21-01-2016 2015 8 4 5 2522 18.8229

8 21-01-2016 2015 8 38 67 2512 18.9446

9 21-01-2016 2015 9 67 8 2941 16.9622


10 21-01-2016 2015 19 9 9 2980 17.9787

11 21-01-2016 2015 12 34 71 3324 17.8914

12 21-01-2016 2015 13 45 2 2809 19.8001

13 21-01-2016 2015 14 46 1 2658 19.1927

14 21-01-2016 2015 14 45 2 2659 19.1927

15 21-01-2016 2015 16 4 13 2670 19.0634

16 21-01-2016 2015 16 3 78 2766 16.4525

17 21-01-2016 2015 17 28 16 2680 21.6309

18 21-01-2016 2015 17 3 7 2763 12.8338

19 21-01-2016 2015 17 9 1 2757 13.3358

20 21-01-2016 2015 18 3 0 2908 20.6932

21 21-01-2016 2015 18 45 12 3087 19.035

22 21-01-2016 2015 18 67 80 3110 20.5716

23 21-01-2016 2015 19 12 25 3110 17.0681

24 21-01-2016 2015 6 7 2 3101 17.8236

25 21-01-2016 2015 3 2 1 3103 15.9783

26 21-01-2016 2015 3 3 0 3102 15.9764

27 21-01-2016 2015 4 3 2 2812 15.7349

28 21-01-2016 2015 5 5 1 3334 15.8662

29 21-01-2016 2015 6 3 6 3105 17.8466

30 21-01-2016 2015 19 36 1 3086 18.4881

31 21-01-2016 2015 20 23 18 3514 17.0243

32 21-01-2016 2015 20 1 0 3509 17.6634

33 21-01-2016 2015 21 2 31 3062 20.3341

34 21-01-2016 2015 21 31 2 3089 19.8948


35 21-01-2016 2015 22 1 12 2950 20.6103

36 21-01-2016 2015 2 1 54 3130 16.03

37 21-01-2016 2015 2 6 3 3102 15.9764

38 21-01-2016 2015 23 1 3 3508 21.4306

39 21-01-2016 2015 24 8 1 3100 18.2587

40 21-01-2016 2015 25 3 3 2592 23.1555

41 21-01-2016 2015 26 7 14 3242 22.9699

42 21-01-2016 2015 27 45 12 3043 20.8599

43 21-01-2016 2015 28 0 5 3479 20.4723

44 21-01-2016 2015 28 4 1 2894 19.772

45 21-01-2016 2015 30 10 11 3533 23.4684

46 21-01-2016 2015 31 56 74 2599 21.4736

47 21-01-2016 2015 34 20 7 3028 23.4202

48 21-01-2016 2015 33 12 12 3032 19.4754

49 21-01-2016 2015 32 2 15 3000 23.2962

50 21-01-2016 2015 34 23 4 3059 21.636

DAFTAR PUSTAKA

Abdullah, Ling, Yoke. 2011. Comparison of Two Partitioning Methods in a Fuzzy


Time series Model for Composite Index Forecasting. Proceedings of
International Journal on Computer Science and Engineering. vol.3 No.
4.
Berrutu, Sunneng S. 2013. Peramalan Penjualan Dengan Metode Fuzzy Time
Series Ruey Chyn Tsaur. Tesis Sarjana. Fakultas Teknik. Semarang.
Universitas Diponegoro

Chen, S. M. 1996. Forecasting enrollments based on fuzzy time series - Fuzzy Sets
and Systems. International Journal of Applied Science and Engineering.

Fowler, Martin. 2005. UML Distilled edisi 3 (Panduan Singkat Bahasa


Pemodelan Objek Standar). Yogyakarta: Penerbit Andi

Haris, M. Syauqi. 2010. Implementasi Metode Fuzzy Time series Dengan


Penentuan interval Berbasis Rata-rata Untuk Peramalan Data
Penjualan Bulanan. Malang. Skripsi Sarjana. Fakultas Matematika dan
Ilmu Pengetahuan Alam. Universitas Brawijaya

Hernasari, Yunita. 2007. Metode Time-Invariant Fuzzy Time Series Untuk


Peramalan Pendaftaran Mahasiswa. Medan. Skripsi Sarjana. Fakultas
Matematika dan Ilmu Pengetahuan Alam. Universitas Sumatera Utara

Irwansyah, Muhammad Ferry. 2013. Peramalan Dengan Menggunakan Metode


Time-Invariant Fuzzy Time Series (Studi Kasus: Harga Penutupan
Saham Jakarta Islamic Index (JII)). Yogyakarta. Skripsi Sarjana.
Fakultas sains dan teknologi. UIN Sunan Kalijaga

Jumingan. 2009. Studi Kelayakan Bisnis Teori dan Pembuatan Proposal


Kelayakan. Bumi Aksara. Jakarta.

Kusumadewi, S., Purnomo,H. 2004. Aplikasi Logika Fuzzy untuk Pendukung


Keputusan. Graha Ilmu. Yogyakarta.

Nugroho, Adi. 2010. Rekayasa Perangkat Lunak Berorientasi Objek dengan


Metode USDP (Unified Software Development Process). Yogyakarta:
Penerbit Andi