PREDIKSI CURAH HUJAN MENGGUNAKAN METODE

ANFIS (Adaptive Neuro Fuzzy Inference System)

LAPORAN KERJA PRAKTIK

Oleh:

AMELIA DHANISWARA
NIM. K1B017016

KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN

UNIVERSITAS JENDERAL SOEDIRMAN
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
JURUSAN MATEMATIKA
PURWOKERTO
2019
 PREDIKSI CURAH HUJAN MENGGUNAKAN METODE
ANFIS (Adaptive Neuro Fuzzy Inference System)

LAPORAN KERJA PRAKTIK

Oleh:

AMELIA DHANISWARA
NIM. K1B017016

Sebagai Salah Satu Persyaratan untuk Menyelesaikan Mata

Kuliah Kerja Praktik Strata Satu Jurusan Matematika dan Ilmu
Pengetahuan Alam Universitas Jenderal Soedirman

KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN

UNIVERSITAS JENDERAL SOEDIRMAN
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
JURUSAN MATEMATIKA
PURWOKERTO
2019

i
 PERNYATAAN

Saya, yang bertanda tangan di bawah ini :

Nama : Amelia Dhaniswara

NIM : K1B017016

menyatakan dengan sebenar-benarnya bahwa laporan kerja praktik saya yang

berjudul

PREDIKSI CURAH HUJAN MENGGUNAKAN METODE

ANFIS (Adaptive Neuro Fuzzy Inference System)

adalah hasil karya sendiri dan bukan jiplakan hasil karya orang lain.

Demikian pernyataan ini saya buat dengan sebenar-benarnya. Jika di kemudian

hari terbukti bahwa laporan kerja praktik saya merupakan hasil jiplakan maka
saya bersedia menerima sanksi apapun yang diberikan.

Purwokerto, Desember 2019

Amelia Dhaniswara
NIM. K1B017016

ii
 LAPORAN KERJA PRAKTIK

PREDIKSI CURAH HUJAN MENGGUNAKAN METODE

ANFIS (Adaptive Neuro Fuzzy Inference System)

Oleh:

AMELIA DHANISWARA
NIM. K1B017016

Disetujui dan disahkan

Pada tanggal.................................

Dosen Pembimbing Kerja Praktik Pembimbing Teknis

Supriyanto, M.Si. Teguh Wardoyo,SP

NIP. 19740525 200003 1 00 1 NIP. 19720526 199301 1 00 1

Mengetahui,
Dekan Fakultas MIPA

Drs. Sunardi,M.Si.
NIP. 19590715 199002 1 00 1

iii
 PEDOMAN PENGGUNAAN LAPORAN KERJA PRAKTIK

Laporan kerja praktik yang tidak dipublikasikan, terdaftar dan tersedia di

Perpustakaan di lingkungan Universitas Jenderal Soedirman, dan terbuka untuk
umum dengan ketentuan bahwa hak cipta ada pada pengarang. Referensi
kepustakaan diperkenankan dicatat, tetapi pengutipan atau peringkasan hanya
dapat dilakukan seizin pengarang dan harus disertai dengan kebiasaan ilmiah yang
menyebutkan sumbernya.
Memperbanyak atau menerbitkan sebagian atau seluruh laporan kerja
praktik haruslah seizin Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam,
Universitas Jenderal Soedirman.

iv
 KATA PENGANTAR

Alhamdulillah, puji syukur kehadirat Allah SWT yang telah memberikan

rahmat dan inayah-Nya sehingga penulis dapat menyelesaikan laporan kerja
praktik yang berjudul “PREDIKSI CURAH HUJAN MENGGUNAKAN
METODE ANFIS (Adaptive Neuro Fuzzy Inference System)” ini. Terima kasih
penulis ucapkan kepada:
1. Bapak Drs. Sunardi, M.Si., selaku Dekan Fakultas Matematika dan Ilmu
Pengetahuan Alam Universitas Jenderal Soedirman.
2. Ibu Dr. Idha Sihwaningrum, M.Sc.St., selaku Ketua Jurusan Matematika
Universitas Jenderal Soedirman.
3. Bapak Supriyanto, M.Si., selaku Dosen Pembimbing kerja praktik yang telah
memberikan saran, arahan, bimbingan, dan motivasi pada penyusunan
laporan kerja praktik ini.
4. Bapak Teguh Wardoyo,SP., selaku Kepala Kelompok Jabatan Fungsional
(KAPOKSI) Stasiun Meteorologi Tunggul Wulung Cilacap yang telah
bersedia menjadi pembimbing teknis dan juga memberikan pembelajaran dan
bimbingan selama kerja praktik di BMKG Cilacap.
5. Kedua orang tua dan seluruh keluarga yang selalu memberikan motivasi, baik
material maupun spiritual.
6. Dd Ihsana Latif dan Rizky Indriani yang selalu mendampingi dan membantu
dari kegiatan kerja praktik di BMKG Cilacap sampai proses pembelajaran
peramalan.
7. Rekan-rekan mahasiswa Matematika Unsoed angkatan 2017 serta semua
pihak yang tidak dapat disebutkan satu persatu yang telah membantu dalam
penulisan laporan kerja praktik ini.

v
 Penulis menyadari bahwa Laporan Kerja Praktik ini masih jauh dari kata
sempurna. Oleh karena itu, penulis mengharap kritik dan saran yang membangun
dari semua pihak demi kesempurnaan Laporan Kerja Praktik ini. Semoga Laporan
Kerja Praktik ini bermanfaat bagi semua pihak.

Purwokerto, Desember 2019

Amelia Dhaniswara
NIM. K1B017016

vi
 DAFTAR ISI

HALAMAN JUDUL................................................................................................ i
HALAMAN PERNYATAAN ................................................................................ ii
HALAMAN PENGESAHAN ................................................................................ iii
PEDOMAN PENGGUNAAN LAPORAN KERJA PRAKTIK............................ iv
KATA PENGANTAR ............................................................................................ v
DAFTAR ISI ......................................................................................................... vii
DAFTAR NOTASI ................................................................................................ ix
DAFTAR SINGKATAN ........................................................................................ x
DAFTAR TABEL .................................................................................................. xi
DAFTAR GAMBAR ............................................................................................ xii
DAFTAR LAMPIRAN ........................................................................................ xiii
RINGKASAN ...................................................................................................... xiv
SUMMARY ............................................................................................................ xv
BAB I PENDAHULUAN ....................................................................................... 1
1.1 Latar Belakang ............................................................................................ 1
1.2 Rumusan Masalah ....................................................................................... 2
1.3 Batasan Masalah .......................................................................................... 2
1.4 Tujuan Kerja Praktik ................................................................................... 2
1.5 Manfaat Kerja Praktik ................................................................................. 3
1.5.1 Bagi Perguruan tinggi .................................................................................3
1.5.2 Bagi Mahasiswa ..........................................................................................3
1.6 Tempat Kerja Praktik .................................................................................. 3
1.7 Waktu Pelaksanaan Kerja Praktik ............................................................... 3
BAB II TINJAUAN PUSTAKA ............................................................................. 4
2.1 Curah Hujan................................................................................................... 4
2.1.1 Pengamatan Curah Hujan ...........................................................................6
2.1.2 Intensitas Hujan ...........................................................................................7
2.1.3 Faktor terjadinya hujan ...............................................................................7
2.2 Peramalan ...................................................................................................... 9

vii
 2.3 Deret Waktu dalam Peramalan .................................................................... 12
2.4 Metode ANFIS ........................................................................................... 12
2.4.1 Jaringan Syaraf Tiruan (Neural Network) ..............................................12
2.4.2 FUZZY .......................................................................................................13
2.4.3 ANFIS .........................................................................................................15
2.5 Ketepatan Peramalan ................................................................................... 20
2.5.1 Mean Absolute Deviation (MAD) ..............................................................20
2.5.2 Mean Absolute Percentage Error (MAPE) ..............................................21
2.5.3 Mean Square Error (MSE) .........................................................................21
BAB III PROFIL TEMPAT KERJA PRAKTIK .................................................. 23
3.1 Profil Tempat Kerja Pratik ........................................................................ 23
3.2 Sejarah BMKG .......................................................................................... 23
3.3 Logo BMKG ............................................................................................. 25
3.4 Visi dan Misi BMKG ................................................................................ 27
3.5 Tugas dan Fungsi BMKG ......................................................................... 29
3.6 Struktur Organisasi BMKG ....................................................................... 31
BAB IV PELAKSANAAN DAN PEMBAHASAN............................................. 33
4.1 Pelaksanaan Kerja Praktik............................................................................33
4.2 Metode Kerja Praktik...................................................................................33
4.3 Hasil dan Pembahasan ................................................................................. 33
BAB V PENUTUP ................................................................................................ 41
5.1 Kesimpulan .................................................................................................. 41
5.2 Saran ............................................................................................................ 41
DAFTAR PUSTAKA ........................................................................................... 42
LAMPIRAN .......................................................................................................... 44
DAFTAR RIWAYAT HIDUP .............................................................................. 49

viii
 DAFTAR NOTASI

𝑌𝑡 : Nilai aktual pada periode t

𝑌̂𝑡 : Nilai peramalan untuk periode t
𝑛 : Banyaknya data
𝑁(𝐿) : Banyaknya simpul pada lapisan ke-L
𝐿 : Lapisan
𝑌 : Target output
𝑌𝑝 : Output ANFIS
mc : Momentum
Epoh : Maksimum iterasi
Eps : Toleransi error/kriteria penghentian
m : Pangkat
𝜇𝐴(𝑥) : Derajat keanggotaan x dalam himpunan fuzzy A

ix
 DAFTAR SINGKATAN

Singkatan Kepanjangan Pemakaian pertama

kali pada halaman

BMKG Badan Meteorologi, Klimatologi, dan 1

Geofisika

JST Jaringan Syaraf Tiruan 12

ANN Artificial Neural Network 12

ANFIS Adaptive Neuro Fuzzy Inference 12

System
MAD Mean Absolute Deviation 20

MAPE Mean Absolute Percentage Error 21

MSE Mean Squared Error 22

x
 DAFTAR TABEL

Halaman

Tabel 2.1 Klasifikasi Nilai MAPE.......................................................... 21

Tabel 4.1 Data Curah Hujan Tahun 2003 sampai dengan Tahun
2018........................................................................................ 35
Tabel 4.2 Data Curah Hujan yang telah dinormalisasi.......................... 36
Tabel 4.3 Pola Data Latih....................................................................... 37
Tabel 4.4 Pola Data Uji.......................................................................... 39
Tabel 4.5 Hasil Prediksi Curah Hujan.................................................... 40

xi
 DAFTAR GAMBAR

Halaman

Gambar 2.1 Struktur ANFIS.................................................................... 16

Gambar 2.2 Blok Diagram Alur Maju ANFIS........................................ 18
Gambar 2.3 Blok Diagram Alur Mundur ANFIS.................................. 19
Gambar 3.1 Logo BMKG....................................................................... 25
Gambar 3.2 Struktur Organisasi BMKG................................................ 31
Gambar 3.3 Struktur Organisasi BMKG Cilacap................................... 32
Gambar 4.1 Grafik Hasil Pelatihan.......................................................... 38
Gambar 4.2 Grafik Hasil Pengujian......................................................... 39

xii
 DAFTAR LAMPIRAN

Halaman

Lampiran 1. Perintah untuk Normalisasi Data............................................ 44

Lampiran 2. Perintah untuk Menyiapkan Data Latih dan Target
Latih..................................................................................... 45
Lampiran 3. Perintah untuk Menampilkan Hasil Pelatihan dalam
Grafik................................................................................... 46
Lampiran 4. Perintah untuk Menyiapkan Data Uji dan Target Uji........... 47
Lampiran 5. Perintah untuk Menampilkan Hasil Pengujian dalam
Grafik................................................................................... 48

xiii
 RINGKASAN

Laporan kerja praktik ini membahas mengenai prediksi curah hujan untuk
bulan Januari 2019 sampai dengan Desember 2020. Metode peramalan yang
digunakan mengacu pada pola sistem kecerdasan buatan, yaitu ANFIS. Hasil
laporan menunjukkan bahwa peramalan untuk dua tahun kedepan akurat dengan
kesalahan ukuran MAPE sebesar 0,2790%. Data hasil laporan menunjukkan
bahwa prediksi curah hujan pada bulan Januari 2019 sampai dengan bulan
Desember tahun 2020 mengalami fluktuasi untuk tiap tahunnya maupun tiap
bulannya.
Kata kunci : Curah hujan, Peramalan, Metode ANFIS.

xiv
 SUMMARY

This report discusses the forecast of rainfall for January 2019 to December
2020. Forecasting methods used regarding the pattern of artificial intelligence
systems, namely ANFIS. The report showed that forecasting for the coming year
is accurate with a MAPE error size of 0.2790%. Report data estimates that rainfall
in January 2019 to December 2020 is fluctiation for each quarter every month.

Keywords: Rainfall, Forecasting, ANFIS method

xv
 BAB I
PENDAHULUAN
1.1 Latar Belakang

Peramalan adalah dasar dari segala jenis perencanaan dimana hal ini
sangat diperlukan untuk lingkungan yang tidak stabil yaitu menjembatani
antara sistem dengan lingkungan. Tujuan peramalan menurut Wignjosoebroto
(2003:337) adalah untuk memperoleh gambaran mengenai apa yang akan
terjadi di masa mendatang. Gambaran mengenai masa depan tersebut akan
menjadi dasar di dalam membuat perencanaan. Peramalan yang akurat sangat
dibutuhkan dalam pembuatan perencanaan. Akurasi dari suatu hasil
peramalan diukur dengan mengukur besarnya error (selisih nilai aktual
dengan hasil peramalan).
Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) merupakan
lembaga yang bertugas melaksanakan tugas pemerintahan di bidang
Meteorologi, Klimatologi, Kualitas Udara dan Geofisika sesuai dengan
ketentuan perundang-undangan yang berlaku. BMKG memiliki banyak
fungsi, salah satunya adalah menyampaikan informasi dan peringatan dini
kepada instansi dan pihak terkait serta masyarakat berkenaan dengan bencana
karena faktor meteorologi, klimatologi, dan geofisika. Dalam upaya
mencegah terjadinya tanah longsor, banjir bandang, genangan, angin
kencang, pohon tumbang, dan jalan licin akibat curah hujan yang tinggi
diperlukan adanya peramalan intensitas curah hujan sehingga dapat
meminimalisir terjadinya kerusakan alam. Selanjutnya, penulis melakukan
peramalan intensitas curah hujan untuk dua tahun yang akan datang.

1
 2

Metode ANFIS (Adaptive Neuro Fuzzy Inference System) merupakan

metode yang tersusun dari kombinasi ANN (Artificial Neural Network) dan
logika fuzzy sehingga memiliki kemampuan untuk mengorganisasikan
strukturnya sendiri dan untuk mengadaptasikan parameter sistem fuzzy.
ANFIS mempunyai kemampuan untuk menangani sistem yang kompleks,
nonlinier dan berubah terhadap waktu melalui algoritma belajar terhadap data
numerik dari sistem. Dalam perkembangannya, ANFIS juga dapat digunakan
untuk melakukan proses peramalan data time series.

1.2 Rumusan Masalah

Berdasarkan uraian pada latar belakang, maka permasalahan yang dapat

dirumuskan dalam penulisan ini adalah bagaimana penerapan metode ANFIS
untuk menentukan model terbaik dari peramalan intensitas curah hujan untuk
dua tahun berikutnya ?

1.3 Batasan Masalah

Batasan masalah yang digunakan dalam laporan kerja praktik ini, antara
lain :

1. Data yang digunakan adalah data curah hujan BMKG Cilacap dari tahun
2003 sampai dengan tahun 2018.
2. Model ANFIS yang digunakan adalah model fuzzy Sugeno orde satu.
3. Pengolahan dan analisis data menggunakan program MATLAB 2014
untuk melakukan peramalan.

1.4 Tujuan Kerja Praktik

Untuk mengetahui penerapan metode ANFIS dalam meramalkan intensitas

curah hujan dua tahun kedepan.
 3

1.5 Manfaat Kerja Praktik

1.5.1 Bagi Perguruan tinggi

Terbinanya hubungan baik antara Jurusan Matematika Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Jenderal
Soedirman dengan Badan Meteorologi, Klimatologi, dan Geofisika
(BMKG) Cilacap.
1.5.2 Bagi Mahasiswa
1. Meningkatkan wawasan mahasiswa tentang dunia kerja khususnya
di Badan Meteorologi, Klimatologi, dan Geofisika (BMKG).
2. Mengetahui dan mempelajari tentang metode ANFIS dan program
MATLAB 2014.
3. Sebagai pertimbangan dalam meramalkan intensitas curah hujan
sehingga pihak-pihak terkait dapat membuat perencanaan untuk
mengantisipasi terjadinya dampak buruk dari curah hujan yang
tinggi.
1.6 Tempat Kerja Praktik

Tempat kerja praktik dilaksanakan di Stasiun Meteorologi Tunggul

Wulung Cilacap yang beralamat di Jalan Gatot Soebroto No. 20 Cilacap
53223.

1.7 Waktu Pelaksanaan Kerja Praktik

Kerja Praktik dilaksanakan selama 30 hari, yaitu tanggal 22 Juli sampai 22

Agustus 2019. Pelaksanaan kerja pratik dilaksanakan 5 hari kerja yaitu dari
hari Senin-Jum’at mulai pukul 08.00 s/d 14.00 WIB, dengan waktu istirahat
antara pukul 12.00 sampai dengan 13.00 WIB.
 BAB II
TINJAUAN PUSTAKA
2.1 Curah Hujan

Curah hujan adalah jatuhan butir-butir atau tetesan hujan yang mencapai
permukaan bumi. Jumlah curah hujan adalah curah hujan yang mencapai
permukaan selama jangka waktu yang ditentukan dan dinyatakan dalam
ukuran kedalamannya, dengan ketentuan bahwa tidak ada air yang hilang
karena penguapan air atau mengalir.

Curah hujan diukur menggunakan alat berupa silinder dengan bagian atas
terbuka (untuk menerima butiran air hujan yang jatuh). Alat ini di pasang di
tempat terbuka, sehingga air hujan akan diterima langsung oleh alat ini.
Bagian atas yang terbuka dipasang pada ketinggian 20cm di atas permukaan
tanah yang ditanami rumput untuk menghindari masuknya air percikan dari
permukaan tanah (Lakitan, 1985).

Curah hujan dapat diukur dengan alat pengukur curah hujan otomatis atau
yang manual. Alat-alat pengukur tersebut harus di letakkan pada daerah yang
masih alamiah, sehingga curah hujan yang terukur dapat mewakili wilayah
yang luas. Salah satu pengukur hujan manual yang paling banyak dipakai
adalah tipe manual (manual raingauge) atau sering disebut ombrometer.

Curah hujan dari pengukuran alat ini dihitung dari volume air hujan
dibagi dengan luas mulut penakar. Alat tipe manual ini merupakan alat baku
dengan mulut penakar seluas 100 cm2 dan di pasang dengan ketinggian mulut
penakar 1,2 meter dari permukaan tanah (Sutedjo.dkk, 2005).

Alat pengukur hujan otomatis biasanya memakai prinsip pelampung,

timbangan dan jungkitan. Keuntungan menggunakan alat ukur otomatis ini
antara lain seperti, waktu terjadinya hujan dapat diketahui, intensitas setiap
terjadinya hujan dapat dihitung (Handoko, 1994).

4
 5

Tinggi curah hujan diasumsikan sama disekitar tempat penakaran, luasan

yang tercakup oleh sebuah penakaran hujan bergantung pada homogenitas
daerahnya maupun kondisi cuaca lainnya. Ketepatan asumsi ini tergantung
dari kecepatan angin, keterbukaan lapangan, luas alat penampung serta tinggi
alat dari permukaan tanah (Tjasyono, 2004).

Presipitasi dapat diklasifikasikan berdasarkan bentuk atau unsur-unsur

presipitasinya, yaitu :

1. Hujan
Hujan adalah butiran-butiran air yang jatuh ke bumi dalam bentuk
cair. Butir-butir hujan mempunyai garis tengah 0,08 - 6 mm. Macam-
macam hujan yaitu hujan halus, hujan rintik-rintik dan hujan lebat.
Perbedaan terutama pada besarnya butir-butir. Hujan lebat biasanya
turun sebentar saja dari awan Cumulonimbus. Hujan ini dapat amat
kuat dengan intensitas yang amat besar.
2. Salju
Salju terjadi karena sublimasi uap air pada suhu dibawah titik beku.
Bentuk dasar dari salju adalah hexagonal akan tetapi hal ini tergantung
dari suhu dan cepatnya sublimasi.
3. Hujan Es
Hujan es jatuh pada waktu hujan guntur dari awan Cumulonimbus.

Curah hujan diukur dalam harian, bulanan,dan tahunan. Curah hujan yang
jatuh di wilayah Indonesia dipengaruhi oleh beberapa faktor antara lain:

1. Bentuk medan atau topografi,

2. Arah lereng medan,
3. Arah angin yang sejajar dengan garis pantai, dan
4. Jarak perjalanan angin diatas medan datar.
 6

Berdasarkan butiran-butiran yang dicurahkan, hujan dapat dibedakan

menjadi empat macam,yaitu:

1. Hujan gerimis (drizzle) yaitu hujan yang mempunyai diameter butiran-

butiran kurang dari 0,5 mm.
2. Hujan salju (snow) yaitu hujan yang terdiri dari kristal-kristal es yang
temperaturnya berada dibawah titik beku.
3. Hujan batu es yaitu hujan yang berbentuk curahan es yang turun di dalam
cuaca panas dari awan yang temperaturnya di bawah titik beku.
4. Hujan deras (rain) yaitu curahan air yang turun dari awan yang
temperaturnya di atas titik beku dan butirannya sebesar 7 mm.

2.1.1 Pengamatan Curah Hujan

Hujan dapat dibedakan atas beberapa jenis antara lain :

1. Hujan tiba-tiba (shower)

Shower jatuh dari awan konvektif (Cu,Cb) saat mulai dan berakhirnya
dan berlangsung dengan tiba-tiba. Intensitasnya berubah dengan cepat,
biasanya berlangsung dengan waktu yang pendek. Awan konvektif
yang menimbulkan Shower mungkin tampak tumbuh sebelum Shower
mulai, atau awan tersebut bergerak mendekati stasiun.
2. Hujan sebentar-sebentar (intermitten rain)
Hujan ini jatuh dari awan yang berlapis, yang umumnya menutup atau
hampir menutup seluruh langit. Keadaan awan masih menutup atau
hampir menutup langit, meskipun hujan telah berhenti. Dasar awan
seringkali tampak menerang atau meninggi, tetapi tanpa adanya
lapisan awan yang terputus dengan jelas. Hujan ini berlangsung
sebentar putus, sebentar berhenti.
3. Hujan terus menerus (contiuous rain)
Hujan ini jatuh dari awan berlapis yang biasanya padat dan menutup
seluruh langit. Dilaporkan sebagai hujan terus menerus jika selama
sejam yang lalu berlangsung terus menerus tanpa terputus.
 7

2.1.2 Intensitas Hujan

Intensitas hujan dalam keperluan pengamatan dibedakan dalam tiga
tingkatan, yaitu :

1. Hujan ringan
Hujan dinyatakan ringan jika :
a. Intensitas hujan rendah,
b. Laju pengumpulan curah hujan di dalam alat penakar hujan
berlangsung lambat (tidak lebih dari 0,5 mm tiap jam),
c. Tetes-tetes hujan yang besar jarang atau sebagian besar terdiri dari
tetes-tetes hujan kecil.
2. Hujan sedang
Hujan dinyatakan sedang jika :
a. Hujan jatuh cukup cepat membentuk genangan diatas lekukan
tanah,
b. Laju pengumpulan curah hujan di dalam alat penakar berlangsung
antara 0,5 sampai dengan 4 mm tiap jam.
3. Hujan lebat
Hujan dinyatakan lebat jika :
a. Curah hujan menimbulkan suara gemuruh diatas atap dan
memercik jika jatuh di atas jalan atau permukaan benda yang keras,
b. Laju pengumpulan curah hujan di dalam alat penakar hujan lebih
dari 4 mm tiap jam,
c. Terdiri dari hujan deras dari badai guntur maupun hujan deras yang
terjadi tanpa guntur.

2.1.3 Faktor terjadinya hujan

Faktor-faktor yang mempengaruhi terjadinya hujan antara lain :
1. Awan
Awan adalah kumpulan titik-titik air yang banyak jumlahnya
dan terletak pada titik kondensasi yang melayang tinggi di udara,
serta terlihat seperti asap bewarna putih atau kelabu di langit. Jenis
 8

awan bedasarkan tingkat ketinggian yaitu awan rendah, awan

menengah, dan awan tinggi. Dalam dunia penerbangan, awan yang
sangat berpengaruh adalah awan rendah Cumulonimbus (Cb).
Awan ini sangat dihindari dalam penerbangan karena dapat
mengakibatkan updraft (arus naik), downdraft (arus turun), dan
windshear (perubahan kecepatan secara tiba-tiba), yang apabila
pesawat berada di dalam atau bawah awan ini pada saat lepas
landas, sebelum mendarat, maupun pada saat terbang akan
mengakibatkan ketidakstabilan posisi pesawat yang dapat berakibat
fatal (Lakitan, 1985). Awan Cb juga berpotensi menimbulkan
cuaca buruk seperti kilat, badai guruh, puting beliung dan hujan
deras, hujan es dan angin ribut.
2. Angin
Angin adalah udara yang bergerak akibat adanya perbedaan
tekanan dengan arah aliran angin dari tempat yang memiliki
tekanan tinggi ke tempat yang memiliki tekanan rendah. Perubahan
arah dan kecepatan angin yang signifikan dilaporkan seketika itu
juga untuk keselamatan penerbangan saat lepas landas maupun
mendarat.
3. Asap
Asap (smoke) merupakan salah satu alasan mengapa pesawat
ditunda pendaratannya. Ini dikarenakan, jarak penglihatan
(visibility) sangat minimum ketika asap kabut tebal yang
mengakibatkan landasan pacu (runway) tidak tampak sama sekali.

Bahaya yang ditimbulkan akibat jarak pandang yang berkurang

karena terselimuti oleh asap dan kabut tebal dalam istilah
penerbangan disebut disorientasi ruang yang disertai dengan gejala
vertigo dan motion sickness (Handoko, 1994).
 9

4. Kabut dan mist

Kabut adalah tetes-tetes air sangat kecil yang melayang di
udara mencapai permukaan tanah dan mengakibatkan
berkurangnya penglihatan mengdatar pada permukaan bumi. Tetes-
tetes kecil ini dapat dilihat dengan mata biasa, jika berada pada
suatu tempat yang cukup terang. Mereka bergerak mengikuti
gerakan udara yang ada, udara dalam keadaan kabut akan terasa
lembab sejuk atau basah. Udara dinyatakan berkabut jika
penglihatan mendatar di dalam kabut kurang dari 1 km dan lembab
nisbi (RH) antara 98% - 100%.
Mist adalah tetes-tetes air mikroskopi (hanya dapat dilihat
dengan mikroskop) atau partikel-partikel basah yang melayang di
udara mencapai permukaan tanah, dapat mengurangi penglihatan
mendatar pada permukaan bumi. Umumnyan di dalam mist tidak
terasa lembab. Mist dinyatakan terjadi jika penglihatan mendatar di
dalam mist sama atau lebih dari 1 km dan kelembaban (RH) antara
95% - 97% (Handoko, 1994).

2.2 Peramalan

Peramalan berasal dari kata ramalan yang berarti suatu kondisi yang
diperkirakan akan terjadi pada masa yang akan datang. Sedangkan peramalan
adalah bentuk kegiatannya. Peramalan (forecasting) merupakan penggunaan
data untuk menguraikan kejadian yang akan datang dalam menentukan
sasaran yang dikehendaki, sedangkan prediksi (prediction) adalah estimasi
sasaran yang akan datang dengan tingkat kemungkinan terjadi besar serta
dapat diterima (Tampubolon, 2014:41).
 10

Jenis peramalan dilihat dari sifat penyusunannya dibedakan menjadi dua

macam (Nasution, 2003:32-33) yaitu :

a. Metode Peramalan Subjektif (Model Kualitatif)

Metode kualitatif berupaya memasukkan faktor-faktor subjektif
dalam model peramalan. Model ini akan sangat bermanfaat jika data
kuantitatif yang akurat sangat sulit diperoleh.
b. Metode Peramalan Objektif (Model Kuantitatif)
Metode ini mempunyai dua model yaitu model kausal dan model
time series. Model kausal memasukkan dan menguji variabel-variabel
yang diduga akan mempengaruhi variabel dependen, model ini biasanya
menggunakan analisis regresi untuk menentukan mana variabel yang
signifikan mempengaruhi variabel dependen. Selain menggunakan
analisis regresi, model kausal juga dapat menggunakan metode ARIMA
untuk mencari model terbaik yang dapat digunakan dalam peramalan.
Sedangkan model time series merupakan model yang digunakan untuk
memprediksi masa depan dengan menggunakan data historis. Dengan
kata lain, model time series mencoba melihat apa yang terjadi pada suatu
kurun waktu tertentu dan menggunakan data masa lalu untuk
memprediksi.
Heizer dan Render (2015:117-118) menyatakan klasifikasi
peramalan berdasarkan dua pendekatan umum, yaitu :
1. Peramalan Kualitatif, yaitu peramalan yang didasarkan atas data
kualitatif pada masa lalu. Hal ini penting karena hasil peramalan
tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi,
pendapat dan pengetahuan dari orang yang menyusunnya. Biasanya
peramalan secara kualitatif ini didasarkan atas hasil penyelidikan.
2. Peramalan Kuantitatif, yaitu peramalan yang didasarkan atas data
kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat
bergantung pada metode yang digunakan dalam peramalan
tersebut. Dengan metode yang berbeda akan diperoleh hasil
peramalan yang berbeda. Baik tidaknya metode yang digunakan
 11

ditentukan oleh perbedaan atau penyimpangan antara hasil

peramalan dengan kenyataan yang terjadi.
Peramalan kuantitatif dapat digunakan bila terdapat tiga
kondisi sebagai berikut :
a. Adanya informasi tentang masa lalu
b. Informasi tersebut dapat dikuantitatifkan dalam bentuk data
c. Informasi tersebut dapat diasumsikan bahwa pola yang lalu
akan berkelanjutan pada masa yang akan datang.
Peramalan horizon waktu menurut Heizer dan Render
(2015:114) diklasifikasikan dengan horizon waktu pada masa
mendatang yang melingkupinya. Dilihat dari horizon waktu,
peramalan diklasifikasikan kedalam tiga kategori yaitu :
1. Peramalan jangka pendek
Peramalan ini memiliki rentang waktu sampai dengan satu
tahun, tetapi umumnya kurang dari tiga bulan.
2. Peramalan jangka menengah
Kisaran menengah, atau immediate, peramalan umumnya
mencakup rentang waktu dari tiga bulan hingga tiga tahun.
3. Peramalan jangka panjang
Umumnya tiga tahun atau lebih dalam rentang waktunya.

Sebagaimana yang mungkin diperkirakan, peramalan

jangka pendek cenderung lebih akurat dibandingkan peramalan
jangka panjang. Faktor-faktor yang mempengaruhi intensitas curah
hujan berubah setiap hari. Dengan demikian, sejalan dengan
semakin panjangnya horizon waktu, ketepatan peramalan seseorang
cenderung semakin berkurang. Peramalan curah hujan harus
diperbaharui secara berkala untuk menjaga keakuratannya.
 12

2.3 Deret Waktu dalam Peramalan

Deret waktu (time series) merupakan serangkaian data pengamatan yang

terjadi berdasarkan indeks waktu secara berurutan dengan interval waktu
tetap. Metode ini digunakan jika tujuannya mencoba memprediksi masa
depan menggunakan data di masa lalu (Jacob dan Chase, 2014:256).

Secara sistematis suatu data berkala diberi simbol X1, X2, ... ,Xb, ... ,Xn.
Nilai variabel X1 adalah data pada waktu pertama, X2 adalah data pada waktu
kedua, Xb adalah data pada waktu ke-b, dan Xn adalah data pada waktu ke-n.

2.4 Metode ANFIS

2.4.1 Jaringan Syaraf Tiruan (Neural Network)

Menurut Sinaga (2012:2) Jaringan Syaraf Tiruan merupakan salah
satu representasi buatan dari otak manusia yang selalu mencoba untuk
mensimulasikan proses pembelajaran otak manusia tersebut. Jaringan
syaraf tiruan (JST) atau yang biasa disebut Artificial Neural Network
(ANN) atau Neural Network (NN) saja, merupakan sistem pemrosesan
informasi yang memiliki karakteristik mirip dengan jaringan syaraf
pada makhluk hidup. Neural network berupa suatu model sederhana
dari suatu syaraf nyata dalam otak manusia seperti suatu unit
threshold yang biner. Jaringan Syaraf Tiruan tercipta sebagai suatu
generalisasi model matematis dari pemahaman manusia (human
cognition) yang didasarkan atas asumsi sebagai berikut :
1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut
neuron.
2. Isyarat mengalir di antara sel syaraf atau neuron melalui
penghubung.
3. Setiap sambungan penghubung memiliki bobot yang bersesuaian.
4. Setiap sel syaraf merupakan fungsi aktivasi terhadap isyarat hasil
penjumlahan berbobot yang masuk kepadanya untuk menentukan
isyarat keluarannya.
 13

2.4.2 FUZZY
1. Logika Fuzzy
Logika fuzzy merupakan peningkatan dari logika boolean
yang berhadapan dengan konsep kebenaran sebagian. Logika
klasik menyatakan bahwa segala hal dapat diekspresikan dalam
istilah binary (0 atau 1, hitam atau putih, ya atau tidak), logika
fuzzy menggantikan kebenaran boolean dengan tingkat
kebenaran. Logika fuzzy memungkinkan nilai keanggotaan antara
0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam
bentuk linguistik, konsep tidak pasti seperti "sedikit", "lumayan",
dan "sangat".
2. Himpunan Crisp
Himpunan crisp merupakan himpunan yang definisi
keanggotaannya jelas, artinya suatu objek atau elemen merupakan
anggota himpunan yang dimaksud atau bukan. Pada himpunan
crisp, nilai keanggotaan suatu elemen x dalam suatu himpunan A,
yang sering ditulis dengan μA(x), memiliki 2 kemungkinan, yaitu:
1. Satu (1), yang berarti bahwa suatu item menjadi anggota
dalam suatu himpunan.
2. Nol (0), yang berarti bahwa suatu item tidak menjadi anggota
dalam suatu himpunan (Kusumadewi, 2002).
3. Himpunan Fuzzy
Jika X adalah suatu kumpulan objek-objek dan x adalah
elemen dari X, maka himpunan fuzzy A memiliki domain X
didefinisikan sebagai:
A={(x, μA(x))|x∈X} (2.1)
dengan μA(x) berada pada rentang 0 hingga 1 (Jang.dkk, 1989).
Derajat keanggotaan x dalam himpunan fuzzy A, μA(x)
menyatakan derajat sebuah kejadian x boleh menjadi anggota A,
atau kepunyaaan A, apabila mencapai harga 1 (mendekati 1),
maka derajat keanggotaan dalam A menjadi lebih.
 14

4. Fungsi Keanggotaan
Fungsi keanggotaan (membership function) adalah suatu kurva
yang menunjukkan pemetaan titik-titik input data ke dalam nilai
keanggotaannya (derajat keanggotaan) yang memiliki interval
antara 0 sampai 1 (Kusumadewi, 2002).
Fungsi-fungsi keanggotaan fuzzy yang umum digunakan
antara lain fungsi keanggotaan segitiga, fungsi keanggotaan
trapesium, fungsi keanggotaan gaussian, fungsi keanggotaan
generalized bell, dan fungsi keanggotaan sigmoid. Pada laporan
ini yang digunakan adalah fungsi keanggotaan generalized bell.
Fungsi keanggotaan generalized bell didefinisikan sebagai
berikut:

1
𝜇(𝑥) = 𝑥−𝑐 2𝑏
(2.2)
1+| |
𝑎

dengan {a,b,c} adalah parameter-parameter premis, biasanya b=1.

(Kusumadewi, 2002). Fungsi generalized bell pertama-tama akan
dipakai sebagai fungsi keanggotaan dari masukan, dan parameter
premis a,b,c akan diubah dengan cara pembelajaran.

5. Fuzzifikasi
Fuzzifikasi yaitu suatu proses untuk mengubah suatu masukan
dari bentuk crisp menjadi fuzzy yang biasanya disajikan dalam
bentuk himpunan-himpunan fuzzy dengan suatu fungsi
kenggotaannya masing-masing (Kusumadewi, 2002).
6. Defuzzifikasi
Defuzzifikasi dapat didefinisikan sebagai proses pengubahan
besaran fuzzy yang disajikan dalam bentuk himpunan-himpunan
fuzzy keluaran dengan fungsi keanggotaannya untuk
mendapatkan kembali bentuk crisp. Hal ini diperlukan sebab
dalam aplikasi nyata yang dibutuhkan adalah nilai crisp
(Kusumadewi, 2002).
 15

2.4.3 ANFIS
Adaptive Neuro-Fuzzy Inference System (ANFIS) adalah
penggabungan mekanisme sistem inferensi fuzzy yang
digambarkan dalam arsitektur jaringan syaraf (Fariza.dkk, 2007).
ANFIS dapat membangun suatu mapping input-output dengan
menggunakan suatu prosedur pembelajaran hibrida, yang keduanya
berdasarkan pada pengetahuan manusia (pada bentuk aturan fuzzy
if-then) dengan fungsi keanggotaan yang tepat.
Pernyataan aturan fuzzy if-then atau fuzzy conditional
adalah ungkapan dengan format IF A THEN B, dimana A dan B
adalah label dari himpunan fuzzy yang ditandai oleh fungsi
keanggotaan yang sesuai. Dalam kaitan dengan formatnya, aturan
fuzzy if-then sering digunakan untuk menangkap “mode” yang
tidak tepat dalam memberi alasan yang digunakan dalam
kemampuan manusia untuk membuat keputusan dalam suatu
lingkungan yang tidak pasti dan tidak tepat.
Melalui penggunaan fungsi keanggotaan dan label bahasa,
suatu aturan fuzzy if-then dapat dengan mudah menangkap
“peraturan utama” yang digunakan oleh manusia. Sistem inferensi
fuzzy yang digunakan memiliki dua input yaitu x dan y dan satu
output f. Untuk model fuzzy Sugeno orde satu, aturan yang umum
dengan dua aturan fuzzy if-then, adalah sebagai berikut:
Rule 1 : if x is A1 and y is B1, then f1 = p1x + q1y + r1; (2.3)
Rule 2 : if x is A2 and y is B2, then f2 = p2x + q2y + r2; (2.4)
ANFIS terdiri atas 5 lapisan dan setiap lapis terdapat
simpul. Terdapat dua macam simpul yaitu simpul adaptif
(bersimbol kotak) artinya parameter bisa berubah dengan proses
pembelajaran dan simpul tetap (bersimbol lingkaran).
 16

Gambar 2.1 Struktur ANFIS

Lapisan 1.
Semua simpul pada lapisan ini adalah simpul adaptif
(parameter dapat berubah) dengan fungsi simpul :
𝑂1,𝑖 = 𝜇𝐴𝑖 (𝑥) (2.5)
𝑂1,𝑖 = 𝜇𝐵𝑖 (𝑦) untuk i=1,2 (2.6)
dengan:
x, y adalah masukan pada simpul i, serta μAi, μBi adalah fungsi
keanggotaan masing-masing simpul. Simpul berfungsi untuk
menyatakan derajat keanggotaan tiap masukan terhadap
himpunan fuzzy A dan B.
Lapisan 2.
Semua simpul pada lapisan ini adalah nonadaptif
(parameter tetap). Fungsi simpul ini adalah mengalikan setiap
sinyal masukan yang datang. Fungsi simpul :
𝑂2,𝑖 = 𝑤𝑖 = 𝜇𝐴𝑖 (𝑥)𝜇𝐵𝑖 (𝑦) untuk i=1,2 (2.7)
Tiap keluaran simpul menyatakan derajat pengaktifan
(firing strength) tiap aturan fuzzy. Fungsi ini dapat diperluas
apabila bagian premis memiliki lebih dari dua himpunan fuzzy.
Banyaknya simpul pada lapisan ini menunjukkan banyaknya
aturan yang dibentuk. Fungsi perkalian yang digunakan adalah
interpretasi kata hubung and dengan menggunakan operator t-
norm.
 17

Lapisan 3.
Setiap simpul pada lapisan ini adalah simpul nonadaptif.
Pada lapisan ini digunakan fungsi derajat pengaktifan
ternormalisasi (normalized firing strength) yaitu rasio keluaran
simpul ke-i pada lapisan sebelumnya terhadap seluruh keluaran
lapisan sebelumnya, dengan bentuk fungsi simpul:
𝑤𝑖
𝑂3,𝑖 =𝑤
̅𝑖= 𝑤 untuk i=1,2 (2.8)
1 +𝑤2

Apabila dibentuk lebih dari dua aturan, fungsi dapat diperluas

dengan membagi wi dengan jumlah total w untuk semua aturan.
Lapisan 4.
Setiap simpul pada lapisan ini adalah simpul adaptif dengan
fungsi simpul :
𝑂4,𝑖 =𝑤 ̅ 𝑖 (𝑝𝑖 𝑥 + 𝑞𝑖 𝑦 + 𝑟𝑖 )
̅ 𝑖 𝑓𝑖 =𝑤 (2.9)
dengan 𝑤
̅ 𝑖 adalah derajat pengaktifan ternormalisasi dari lapisan
3 dan parameter p, q, r menyatakan parameter konsekuen yang
adaptif.
Lapisan 5.
Pada lapisan ini hanya ada satu simpul tetap yang fungsinya
untuk menjumlahkan semua masukan. Fungsi simpul :
𝑂5,𝑖 = ∑𝑖𝑤
̅ 𝑖 𝑓𝑖 (2.10)
Proses adaptasi yang terjadi dalam sistem ANFIS dikenal
juga dengan pembelajaran. Parameter-parameter ANFIS (baik
premis maupun konsekuen) selama proses belajar akan
diperbaharui menggunakan metode pembelajaran. Metode
pembelajaran yang digunakan dalam sistem ANFIS adalah
algoritma pembelajaran hibrida. Algoritma ini terdiri dari dua
bagian yaitu bagian arah maju dan bagian arah mundur. Pada
bagian arah maju, proses adaptasi dilakukan menggunakan
metode Least-squares Estimator (LSE) dan terjadi pada
parameter konsekuen. Sedangkan pada bagian arah mundur,
proses adaptasi dilakukan menggunakan error backpropagation
(EBP) dan terjadi pada parameter premis (Dwiono, 2008).
 18

Alur Maju

Gambar 2.2 Blok diagram alur maju ANFIS

Pada blok diagram Gambar 2.2 digambarkan mengenai
proses alur maju dari sebuah sistem ANFIS yang terdiri dari
beberapa layer. Pada layer 1 data input pada masing-masing
periode akan dilakukan proses fuzzifikasi. Dalam proses ini
akan dilakukan perhitungan fungsi keanggotaan fuzzy untuk
mentransformasi masukan himpunan crisp ke derajat tertentu.
Fungsi keanggotaan yang digunakan adalah jenis generalized
bell dimana pada fungsi keanggotaan ini terdapat dua parameter
yaitu mean dan variansi. Parameter tersebut dalam metode
ANFIS disebut sebagai parameter premis.
Pada layer 2 dan 3 dilakukan proses inference engine
(sistem inferensi fuzzy). Ditentukan rule fuzzy untuk melakukan
proses perhitungan selanjutnya.
Pada layer 4 dilakukan proses defuzzifikasi, perhitungan
mentransformasi hasil fuzzy ke bentuk keluaran yang crisp.
Pada layer ini dilakukan perhitungan LSE untuk mendapatkan
nilai parameter konsekuen.
Pada layer 5 dilakukan proses summary dari dua output
pada layer 4. Pada ANFIS, sistem fuzzy terletak pada layer
1,2,3 dan 4 dimana sistem fuzzy ini adalah sebagai penentu
hidden node yang terdapat pada sistem jaringan syaraf.
 19

Alur Mundur

Gambar 2.3 Blok Diagram Alur Mundur ANFIS

Pada proses ini dilakukan algoritma EBP (Error
Backpkropagation) dimana pada setiap layer dilakukan
perhitungan error untuk melakukan update parameter-parameter
ANFIS. Misalkan terdapat struktur ANFIS seperti pada Gambar
2.3 yang terdiri dari 5 lapisan, dan mempunyai sebanyak N(L)
simpul pada lapisan ke-L, maka jumlah kuadrat error (SSE)
pada lapisan ke-L data ke-p, adalah:
𝑁(𝐿)
𝐸𝑝 = ∑𝑝=1 (𝑌 − 𝑌𝑝 )2 (2.12)
dengan:
Ep : SSE
N(L) : Simpul
L : Lapisan
Y : Target output
Yp : Output ANFIS
Proses perhitungan di atas akan berulang terus menerus
sampai nilai SSE kurang dari nilai error maksimum yang
diinginkan oleh user.
 20

2.5 Ketepatan Peramalan

Menurut Najmudin (2012:43), titik perhatian utama peramalan adalah

pada kesalahan-kesalahan yang terjadi secara inherent pada setiap teknik
persamaan. Prediksi tentang hasil masa depan jarang sekali tepat. Oleh karena
itu, seorang peramal biasanya hanya mampu untuk mengurangi atau
memperkecil tingkat kesalahan tersebut.
Pada model peramalan yang telah didapatkan hasil perhitungannya
kemudian divalidasi dan dievaluasi dengan memakai beberapa ukuran
variabel, ukuran yang biasa digunakan adalah sebagai berikut :

2.5.1 Mean Absolute Deviation (MAD)

Suatu cara dalam menilai hasil (evaluasi) pada metode
forecasting dengan memakai jumlah dari absolute error pada
ramalannya. Mean Absolute Deviation (MAD) berfungsi untuk
melakukan pengukuran kualitas akurasi hasil ramalan dengan
menghitung rata-rata kesalahan mutlak selama periode tertentu tanpa
memperhatikan apakah hasil peramalan lebih besar atau lebih kecil jika
dibandingkan kenyataannya. MAD sangat tepat digunakan pada saat
mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli.
Semakin kecil nilai MAD yang didapat maka semakin baik nilai
peramalan tersebut.
Rumus untuk menghitung nilai MAD (Najmudin, 2012:44) adalah
sebagai berikut :
1
𝑀𝐴𝐷 = 𝑛 ∑𝑛𝑡=1|𝑌𝑡 − 𝑌̂𝑡 | (2.13)

dengan,
𝑌𝑡 : Nilai aktual pada periode t,
𝑌̂𝑡 : Nilai peramalan untuk periode t, dan
𝑛 : Banyaknya data.
 21

𝟐.5.2 Mean Absolute Percentage Error (MAPE)

Mean Absolute Percentage Error (MAPE) merupakan nilai rata-
rata persentase kesalahan atau error dari beberapa periode. Metode ini
melakukan perhitungan perbedaan antara data asli dan data hasil
peramalan. Perbedaan tersebut diabsolutkan, kemudian dihitung ke
dalam persentase terhadap data asli. Hasil persentase tersebut kemudian
didapatkan nilai mean-nya. Semakin kecil nilai MAPE, maka akan
semakin tepat hasil peramalan yang diperoleh.
Rumus untuk menghitung nilai MAPE (Najmudin, 2012:44) adalah
sebagai berikut :
1 |𝑌𝑡 −𝑌̂𝑡 |
𝑀𝐴𝑃𝐸 = 𝑛 ∑𝑛𝑡=1 (2.14)
𝑌𝑡

dengan,
𝑌𝑡 : Nilai aktual pada periode t,
𝑌̂𝑡 : Nilai peramalan untuk periode t, dan
𝑛 : Banyaknya data.
Menurut Goh dan Low (2002), peramalan model deret waktu dapat
dievaluasi dengan klasifikasi nilai MAPE seperti pada Tabel 2.1
Tabel 2.1 Klasifikasi nilai MAPE

Nilai MAPE (%) Pengertian

0 < 𝑥 < 10 Sangat Akurat

10 ≤ 𝑥 < 20 Baik

20 ≤ 𝑥 < 50 Layak

𝑥 ≥ 50 Tidak Akurat

dengan x : Nilai MAPE.

2.5.3 Mean Square Error (MSE)

Mean Square Error (MSE) merupakan salah satu ukuran
ketepatan metode peramalan yang memberikan ketelitian lebih baik
daripada MAD sehingga lebih banyak digunakan sebagai ukuran
ketepatan suatu metode peramalan. Metode ini digunakan untuk
 22

menghitung kesalaan atau error peramalan pada setiap periode dan

kemudian membaginya dengan jumlah periode peramalan. Kesalahan
atau error merupakan selisih antara data aktual dengan hasil peramalan.
Estimator α yang meminimumkan nilai MSE yaitu mulai dari 0,01
sampai dengan 0,99.
Rumus untuk menghitung nilai MSE (Najmudin, 2012:44) adalah
sebagai berikut :
1 2
𝑀𝑆𝐸 = 𝑛 ∑𝑛𝑡=1(𝑌𝑡 − 𝑌̂𝑡 ) (2.15)

dengan,
𝑌𝑡 : Nilai aktual pada periode t,
𝑌̂𝑡 : Nilai peramalan untuk periode t, dan
𝑛 : Banyaknya data.

Dalam fase peramalan, penggunaan MSE dan MAD sebagai salah

suatu ukuran ketepatan juga dapat menimbulkan masalah. Ukuran ini
tidak memudahkan perbandingan antar deret berskala yang berbeda
untuk selang waktu yang berlainan, karena MSE dan MAD merupakan
ukuran absolut yang sangat bergantung pada skala dari deret waktu. Lagi
pula interpretasi nilai MSE bersifat intuitif, karena ini menyangkut
pengkuadratan sederetan nilai. Karena alasan tersebut, dalam hubungan
keterbatasan MSE dan MAD sebagai ukuran keakuratan/ketepatan
peramalan, maka dipakai ukuran alternatif sebagai salah satu indikasi
ketepatan dalam peramalan yaitu MAPE (Makridakis, 1988:42).
 BAB III
PROFIL TEMPAT KERJA PRAKTIK

Pada bab ini akan dibahas mengenai profil tempat kerja praktik yaitu
BMKG Cilacap, yang diambil dari situs resmi BMKG.
3.1 Profil Tempat Kerja Praktik

Badan Meteorologi, Klimatologi, dan Geofisika Cilacap atau disingkat

dengan BMKG Cilacap adalah sebuah Lembaga Pemerintah Non Departemen
(LPND) yang dipimpin oleh seorang Kepala Badan yaitu Bapak Taruna Mona
Rachman, SE, MM. dan berkedudukan di Jalan Gatot Soebroto No.20
Cilacap, Jawa Tengah. BMKG Cilacap telah berganti nama menjadi Sta.Met.
Kelas III Tunggul Wulung - Cilacap atau Stasiun Meteorologi Kelas 3
Tunggul Wulung Cilacap.
3.2 Sejarah BMKG

Sejarah pengamatan meteorologi dan geofisika di Indonesia dimulai pada

tahun 1841 diawali dengan pengamatan yang dilakukan secara perorangan
oleh Dr. Onnen, Kepala Rumah Sakit di Bogor. Tahun demi tahun
kegiatannya berkembang sesuai dengan semakin diperlukannya data hasil
pengamatan cuaca dan geofisika.
Pada tahun 1866, kegiatan pengamatan perorangan tersebut oleh
Pemerintah Hindia Belanda diresmikan menjadi instansi pemerintah dengan
nama Magnetisch en Meteorologisch Observatorium atau Observatorium
Magnetik dan Meteorologi dipimpin oleh Dr. Bergsma.
Pada tahun 1879 dibangun jaringan penakar hujan sebanyak 74 stasiun
pengamatan di Jawa. Pada tahun 1902 pengamatan medan magnet bumi
dipindahkan dari Jakarta ke Bogor. Pengamatan gempa bumi dimulai pada
tahun 1908 dengan pemasangan komponen horizontal seismograf Wiechert di

23
 24

Jakarta, sedangkan pemasangan komponen vertikal dilaksanakan pada

tahun 1928.
Pada tahun 1912 dilakukan reorganisasi pengamatan meteorologi
dengan menambah jaringan sekunder. Sedangkan jasa meteorologi mulai
digunakan untuk penerangan pada tahun 1930.
Pada masa pendudukan Jepang antara tahun 1942 sampai dengan 1945,
nama instansi meteorologi dan geofisika diganti menjadi Kisho Kauso
Kusho.
Setelah proklamasi kemerdekaan Indonesia pada tahun 1945, instansi
tersebut dipecah menjadi dua: Di Yogyakarta dibentuk Biro Meteorologi
yang berada di lingkungan Markas Tertinggi Tentara Rakyat Indonesia
khusus untuk melayani kepentingan Angkatan Udara. Di Jakarta dibentuk
Jawatan Meteorologi dan Geofisika, dibawah Kementerian Pekerjaan
Umum dan Tenaga.
Pada tanggal 21 Juli 1947 Jawatan Meteorologi dan Geofisika diambil
alih oleh Pemerintah Belanda dan namanya diganti menjadi
Meteorologisch en Geofisiche Dienst. Sementara itu, ada juga Jawatan
Meteorologi dan Geofisika yang dipertahankan oleh Pemerintah Republik
Indonesia, kedudukan instansi tersebut di Jl. Gondangdia, Jakarta.
Pada tahun 1949, setelah penyerahan kedaulatan negara Republik
Indonesia dari Belanda, Meteorologisch en Geofisiche Dienst diubah
menjadi Jawatan Meteorologi dan Geofisika dibawah Departemen
Perhubungan dan Pekerjaan Umum. Selanjutnya, pada tahun 1950
Indonesia secara resmi masuk sebagai anggota Organisasi Meteorologi
Dunia (World Meteorological Organization atau WMO) dan Kepala
Jawatan Meteorologi dan Geofisika menjadi Permanent Representative of
Indonesia with WMO.
Pada tahun 1955 Jawatan Meteorologi dan Geofisika diubah namanya
menjadi Lembaga Meteorologi dan Geofisika di bawah Departemen
Perhubungan, dan pada tahun 1960 namanya dikembalikan menjadi
Jawatan Meteorologi dan Geofisika di bawah Departemen Perhubungan
Udara.
 25

Pada tahun 1965, namanya diubah menjadi Direktorat Meteorologi dan

Geofisika, kedudukannya tetap di bawah Departemen Perhubungan Udara.
Pada tahun 1972, Direktorat Meteorologi dan Geofisika diganti namanya
menjadi Pusat Meteorologi dan Geofisika, suatu instansi setingkat eselon
II di bawah Departemen Perhubungan, dan pada tahun 1980 statusnya
dinaikkan menjadi suatu instansi setingkat eselon I dengan nama Badan
Meteorologi dan Geofisika, dengan kedudukan tetap berada di bawah
Departemen Perhubungan. Pada tahun 2002, dengan keputusan Presiden
RI Nomor 46 dan 48 tahun 2002, struktur organisasinya diubah menjadi
Lembaga Pemerintah Non Departemen (LPND) dengan nama tetap Badan
Meteorologi dan Geofisika.
Terakhir, melalui Peraturan Presiden Nomor 61 Tahun 2008, Badan
Meteorologi dan Geofisika berganti nama menjadi Badan Meteorologi,
Klimatologi, dan Geofisika (BMKG) dengan status tetap sebagai Lembaga
Pemerintah Non Departemen. Pada tanggal 1 Oktober 2009 Undang-
Undang Republik Indonesia Nomor 31 Tahun 2009 tentang Meteorologi,
Klimatologi dan Geofisika disahkan oleh Presiden Republik Indonesia,
Susilo Bambang Yudhoyono.
3.3 Logo BMKG

Gambar 3.1 Logo BMKG

 26

1. Bentuk Logo
Logo BMKG berbentuk lingkaran dengan warna dasar biru, putih
dan hijau, di tengah-tengah warna putih terdapat satu garis berwarna abu-
abu dengan tulisan BMKG pada bagian bawah.
2. Makna Logo
Makna dari logo BMKG menggambarkan bahwa BMKG berupaya
semaksimal mungkin dapat menyediakan dan memberikan informasi
Meteorologi, Klimatologi, dan Geofisika dengan mengaplikasikan
perkembangan ilmu pengetahuan dan teknologi terkini dan dapat
berkembang secara dinamis sesuai kemajuan zaman. Dalam menjalankan
fungsinya, BMKG berupaya memberikan yang terbaik dan penuh
keikhlasan berdasarkan Pancasila untuk bangsa dan tanah air Indonesia
yang subur yang terletak di garis khatulistiwa.
3. Arti Logo
 Bentuk lingkaran melambangkan BMKG sebagai institusi yang
dinamis.
 5 (lima) garis dibagian atas melambangkan dasar negara Indonesia
yaitu Pancasila.
 9 (sembilan) garis dibagian bawah merupakan angka tertinggi yang
melambangkan hasil maksimal yang diharapkan.
 Gumpalan awan warna putih melambangkan meteorologi.
 Bidang warna biru bergaris melambangkan klimatologi.
 Bidang berwarna hijau bergaris patah melambangkan geofisika.
 1 (satu) garis melintang ditengah melambangkan garis khatulistiwa.
4. Warna Logo
1. Arti warna logo
o warna biru diartikan keagungan/ketakwaan.
o warna putih diartikan keikhlasan/suci.
o warna hijau diartikan kesuburan.
o warna abu-abu diartikan bebas/tidak ada batas administrasi.
 27

2. Jenis warna
o warna biru menggunakan warna biru jenis Blue nomor 0 0 205
o warna putih menggunakan warna putih jenis White nomor 255;
255; dan 255
o warna hijau menggunakan warna hijau jenis Green nomor 34; 139;
dan 34
o warna abu-abu menggunakan warna abu-abu jenis Grey nomor
128; 128; dan 128
3. Penulisan kata "BMKG" dalam logo BMKG menggunakan warna
hitam, jenis huruf arial dengan penebalan (bold), dengan ukuran 75%
(tujuh lima persen) dari diameter logo.
Berdasarkan :
 Keputusan Kepala BMKG Nomor 04 Tahun 2009 tentang :
LOGO DAN PENGGUNAAN CAP DINAS
 Keputusan Kepala BMKG Nomor 03 Tahun 2010 tentang :
PERUBAHAN LOGO DAN PENGGUNAAN CAP DINAS BMKG
 Peraturan BMKG Nomor 5 Tahun 2018 tentang PEDOMAN TATA
NASKAH DINAS DI LINGKUNGAN BMKG

3.4 Visi dan Misi BMKG

Dalam rangka mendukung dan mengemban tugas pokok dan fungsi serta
memperhatikan kewenangan BMKG agar lebih efektif dan efisien, maka
diperlukan aparatur yang profesional, bertanggung jawab dan berwibawa serta
bebas dari Korupsi, Kolusi, dan Nepotisme (KKN), disamping itu harus dapat
menjunjung tinggi kedisiplinan, kejujuran dan kebenaran guna ikut serta
memberikan pelayanan informasi yang cepat, tepat dan akurat. Oleh karena
itu kebijakan yang akan dilakukan BMKG Tahun 2010-2014 adalah mengacu
pada Visi, Misi, dan Tujuan BMKG yang telah ditetapkan.
 28

Visi
Mewujudkan BMKG yang handal, tanggap dan mampu dalam rangka
mendukung keselamatan masyarakat serta keberhasilan pembangunan
nasional, dan berperan aktif di tingkat internasional.
Terminologi di dalam visi tersebut dapat dijelaskan sebagai berikut :
a. Pelayanan informasi meteorologi, klimatologi, kualitas udara, dan
geofisika yang handal ialah pelayanan BMKG terhadap penyajian data,
informasi pelayanan jasa meteorologi, klimatologi, kualitas udara, dan
geofisika yang akurat, tepat sasaran, tepat guna, cepat, lengkap, dan dapat
dipertanggungjawabkan.
b. Tanggap dan mampu dimaksudkan BMKG dapat menangkap dan
merumuskan kebutuhan stakeholder akan data, informasi, dan jasa
meteorologi, klimatologi, kualitas udara, dan geofisika serta mampu
memberikan pelayanan sesuai dengan kebutuhan pengguna jasa.

Misi
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 di Bidang meteorologi,
klimatologi, kualitas udara dan geofisika.
Secara lebih rinci, maksud dari pernyataan misi di atas adalah sebagai berikut:
a. Mengamati dan memahami fenomena meteorologi, klimatologi, kualitas
udara, dan geofisika artinya BMKG melaksanakan operasional
pengamatan dan pengumpulan data secara teratur, lengkap dan akurat guna
dipakai untuk mengenali dan memahami karakteristik unsur-unsur
 29

meteorologi, klimatologi, kualitas udara, dan geofisika guna membuat

prakiraan dan informasi yang akurat;
b. Menyediakan data, informasi dan jasa meteorologi, klimatologi, kualitas
udara, dan geofisika kepada para pengguna sesuai dengan kebutuhan dan
keinginan mereka dengan tingkat akurasi tinggi dan tepat waktu;
c. Mengkoordinasi dan Memfasilitasi kegiatan sesuai dengan kewenangan
BMKG, maka BMKG wajib mengawasi pelaksanaan operasional,
memberi pedoman teknis, serta berwenang untuk mengkalibrasi peralatan
meteorologi, klimatologi, kualitas udara, dan geofisika sesuai dengan
peraturan yang berlaku;
d. Berpartisipasi aktif dalam kegiatan internasional, artinya BMKG dalam
melaksanakan kegiatan secara operasional selalu mengacu pada ketentuan
internasional mengingat bahwa fenomena meteorologi, klimatologi,
kualitas udara, dan geofisika tidak terbatas dan tidak terkait pada batas
batas wilayah suatu negara manapun.
3.5 Tugas dan Fungsi BMKG

Tugas
BMKG mempunyai tugas : melaksanakan tugas pemerintahan di bidang
Meteorologi, Klimatologi, Kualitas Udara dan Geofisika sesuai dengan
ketentuan perundang-undangan yang berlaku.

Fungsi
Dalam melaksanakan tugas sebagaimana dimaksud di atas, Badan
Meteorologi Klimatologi dan Geofisika menyelenggarakan fungsi :

 Perumusan kebijakan nasional dan kebijakan umum di bidang

meteorologi, klimatologi, dan geofisika;
 Perumusan kebijakan teknis di bidang meteorologi, klimatologi, dan
geofisika;
 Koordinasi kebijakan, perencanaan dan program di bidang meteorologi,
klimatologi, dan geofisika;
 Pelaksanaan, pembinaan dan pengendalian observasi, dan pengolahan data
dan informasi di bidang meteorologi, klimatologi, dan geofisika;
 30

 Pelayanan data dan informasi di bidang meteorologi, klimatologi, dan

geofisika;
 Penyampaian informasi kepada instansi dan pihak terkait serta masyarakat
berkenaan dengan perubahan iklim;
 Penyampaian informasi dan peringatan dini kepada instansi dan pihak
terkait serta masyarakat berkenaan dengan bencana karena faktor
meteorologi, klimatologi, dan geofisika;
 Pelaksanaan kerja sama internasional di bidang meteorologi, klimatologi,
dan geofisika;
 Pelaksanaan penelitian, pengkajian, dan pengembangan di bidang
meteorologi, klimatologi, dan geofisika;
 Pelaksanaan, pembinaan, dan pengendalian instrumentasi, kalibrasi, dan
jaringan komunikasi di bidang meteorologi, klimatologi, dan geofisika;
 Koordinasi dan kerja sama instrumentasi, kalibrasi, dan jaringan
komunikasi di bidang meteorologi, klimatologi, dan geofisika;
 Pelaksanaan pendidikan dan pelatihan keahlian dan manajemen
pemerintahan di bidang meteorologi, klimatologi, dan geofisika;
 Pelaksanaan pendidikan profesional di bidang meteorologi, klimatologi,
dan geofisika;
 Pelaksanaan manajemen data di bidang meteorologi, klimatologi, dan
geofisika;
 Pembinaan dan koordinasi pelaksanaan tugas administrasi di lingkungan
BMKG;
 Pengelolaan barang milik/kekayaan negara yang menjadi tanggung jawab
BMKG;
 Pengawasan atas pelaksanaan tugas di lingkungan BMKG;
 Penyampaian laporan, saran, dan pertimbangan di bidang meteorologi,
klimatologi, dan geofisika.

Dalam melaksanakan tugas dan fungsinya BMKG dikoordinasikan oleh

menteri yang bertanggung jawab di bidang perhubungan.
 31

3.6 Struktur Organisasi BMKG

Untuk melaksanakan tugas dan fungsi Kepala BMKG dibantu oleh :

1. Sekretariat Utama;
2. Deputi Bidang Meteorologi;
3. Deputi Bidang Klimatologi;
4. Deputi Bidang Geofisika;
5. Deputi Bidang Instrumentasi, Kalibrasi, Rekayasa, dan Jaringan
Komunikasi;
6. Inspektorat;
7. Pusat Penelitian dan Pengembangan;
8. Pusat Pendidikan dan Pelatihan;
9. Unit Pelaksana Teknis (UPT) di Pusat dan Daerah.
Berikut bagan struktur organisasi BMKG secara umum dan BMKG Cilacap
secara khusus :

Gambar 3.2 Struktur Organisasi BMKG

 32

Gambar 3.3 Struktur Organisasi BMKG Cilacap

 BAB IV
PELAKSANAAN DAN PEMBAHASAN

4.1 Pelaksanaan Kerja Praktik

Kerja Praktik dilaksanakan di Badan Meteorologi, Klimatologi, dan

Geofisika (BMKG) Cilacap yang beralamat di Jalan Gatot Subroto No. 20.
Tambaksari, Sidareja, Cilacap 53223 selama 30 hari, yaitu tanggal 22 Juli
sampai 22 Agustus 2019. Pelaksanaan kerja praktik dilaksanakan 5 hari kerja
yaitu dari hari Senin-Jum’at mulai pukul 08.00 s/d 17.00 WIB, dengan waktu
istirahat antara pukul 12.00 sampai dengan 13.00 WIB.

4.2 Metode Kerja Praktik

Metode yang digunakan dalam penyelesaian penulisan laporan kerja

praktik ini adalah metode studi kasus yaitu penulis mencari dan mempelajari
materi yang berkaitan dengan metode peramalan dari berbagai literatur. Data
yang diperoleh penulis, selanjutnya diolah dengan menggunakan metode
peramalan khususnya ANFIS dengan bantuan program MATLAB.

4.3 Hasil dan Pembahasan

Data yang digunakan pada peramalan yaitu data curah hujan bulanan dari
tahun 2003 sampai dengan tahun 2018 dengan metode ANFIS pada Tabel
4.1.

33
 34

Tabel 4.1 Data curah hujan tahun 2003 sampai dengan tahun 2018
Tahun Jan Feb Mar Apr Mei Jun Jul Agus Sept Okt
2003 453,90 340,00 534,70 265,50 219,10 82,20 2,00 0,00 92,20 276,80
2004 259,60 234,90 389,60 188,20 631,10 140,00 182,40 37,20 53,10 85,40
2005 720,40 278,60 551,60 312,30 500,10 339,00 260,40 67,00 543,20 470,40
2006 418,90 363,60 254,50 141,50 285,80 171,00 54,40 7,80 0,00 60,00
2007 153,80 424,10 237,10 336,30 485,70 254,90 13,10 16,60 12,90 143,00
2008 242,70 307,30 177,30 96,70 39,20 0,00 4,10 5,20 35,20 402,10
2009 585,30 229,70 159,40 263,00 272,70 321,60 145,80 1,10 25,80 612,30
2010 263,10 191,80 391,90 202,10 641,90 445,80 342,40 335,70 672,80 621,00
2011 206,40 315,60 261,70 465,30 563,60 116,60 49,60 2,00 1,30 75,50
2012 406,40 235,80 251,00 409,50 273,00 20,10 4,40 1,50 0,00 108,00
2013 254,30 339,70 240,30 235,52 311,30 457,10 507,40 85,00 29,00 75,00
2014 363,00 306,50 296,00 321,00 182,00 362,00 659,00 91,00 4,00 55,60
2015 294,30 319,00 259,00 204,00 244,00 110,00 33,00 6,00 0,00 0,00
2016 171,90 437,10 159,30 367,00 340,80 385,00 658,00 319,00 636,00 955,00
2017 371,00 375,50 140,60 408,90 148,00 271,00 67,50 2,70 197,50 838,00
2018 298,10 177,00 199,00 339,00 29,00 40,00 13,00 4,00 18,00 84,00

Tahun Jul Agus Sept Okt Nov Des

2003 2,00 0,00 92,20 276,80 581,00 599,20
2004 182,40 37,20 53,10 85,40 782,30 746,80
2005 260,40 67,00 543,20 470,40 819,30 606,80
2006 54,40 7,80 0,00 60,00 30,30 194,40
2007 13,10 16,60 12,90 143,00 865,20 513,90
2008 4,10 5,20 35,20 402,10 586,80 491,60
2009 145,80 1,10 25,80 612,30 425,30 545,70
2010 342,40 335,70 672,80 621,00 390,60 570,30
2011 49,60 2,00 1,30 75,50 496,00 320,70
2012 4,40 1,50 0,00 108,00 647,00 658,50
2013 507,40 85,00 29,00 75,00 290,00 334,00
2014 659,00 91,00 4,00 55,60 579,00 627,00
2015 33,00 6,00 0,00 0,00 382,00 425,00
2016 658,00 319,00 636,00 955,00 523,00 483,00
2017 67,50 2,70 197,50 838,00 307,20 366,00
2018 13,00 4,00 18,00 84,00 682,00 471,00
 35

Parameter-parameter input yang digunakan pada peramalan time series

ANFIS adalah sebagai berikut :

a. A adalah matriks yang akan dilatih. Matriks A berukuran m x n, dengan

m = 12 (adalah jumlah bulan dalam 1 tahun) dan n = 16 (jumlah tahun).
Pada ANFIS data time series, variabel umumnya hanya ada satu yaitu
waktu (t).
b. y adalah target output yang diharapkan. y merupakan vektor berukuran n
x 1, dengan n adalah jumlah data. Elemen-elemen pada y adalah data
pada saat X(t).
b. C adalah jumlah aturan yang diinginkan (jumlah Cluster)
ANFIS model Sugeno, memiliki 2 aturan yaitu :
Rule 1 : if x is A1 and y is B1, then f1 = p1x + q1y + r1;
Rule 2 : if x is A2 and y is B2, then f2 = p2x + q2y + r2;
Karena terdapat 2 aturan yang dibentuk, maka 192 data yang ada dibagi
menjadi 2 kelompok (cluster). Hal ini berarti nilai dari C adalah 2.
c. lr adalah laju pembelajaran. Laju pembelajaran bernilai antara 0 sampai
1. Semakin mendekati 1, maka proses pembelajaran akan semakin cepat.
Hal ini berarti nilai dari lr adalah 1.
d. mc adalah momentum = 0,9.
e. Epoh adalah maksimum iterasi = 2000.
f. Eps adalah toleransi error/kriteria penghentian = 10-6.
g. w adalah pangkat = 2

Peramalan yang baik merupakan peramalan yang dilakukan dengan

mengikuti langkah-langkah atau prosedur penyusunan yang baik. Tahapan
pada metode ANFIS adalah sebagai berikut:

1. Mempersiapkan data curah hujan. Data curah hujan disajikan per bulan
dari tahun 2003 sampai dengan tahun 2018.
 36

2. Untuk mereduksi perhitungan komputasi yang terlalu besar, maka

dilakukan normalisasi data dalam range 0 s.d 1 menggunakan persamaan
berikut:
𝑋−𝑏
𝑋 ′ = 𝑎−𝑏 (4.1)

dengan,
X’ : data hasil normalisasi
X : data asli/data awal
a : nilai maksimum data asli
b : nilai minimum data asli
Data curah hujan yang telah ternormalisasi :
Tabel 4.2 Data curah hujan yang telah dinormalkan

Tahun 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
Jan 0,475288 0,271832 0,754346 0,438639 0,161047 0,254136 0,61288 0,275497 0,216126 0,42555
Feb 0,356021 0,245969 0,291728 0,380733 0,444084 0,32178 0,240524 0,200838 0,330471 0,246911
Mar 0,559895 0,407958 0,577592 0,266492 0,248272 0,185654 0,166911 0,410366 0,274031 0,262827
Apr 0,27801 0,197068 0,327016 0,148168 0,352147 0,101257 0,275393 0,211623 0,487225 0,428796
Mei 0,229424 0,660838 0,523665 0,299267 0,508586 0,041047 0,28555 0,672147 0,590157 0,285864
Jun 0,086073 0,146597 0,354974 0,179058 0,266911 0 0,336754 0,466806 0,122094 0,021047
Jul 0,002094 0,190995 0,27267 0,056963 0,013717 0,004293 0,15267 0,358534 0,051937 0,004607
Agus 0 0,038953 0,070157 0,008168 0,017382 0,005445 0,001152 0,351518 0,002094 0,001571
Sept 0,096545 0,055602 0,568796 0 0,013508 0,036859 0,027016 0,704503 0,001361 0
Okt 0,289843 0,089424 0,492565 0,062827 0,149738 0,421047 0,641152 0,650262 0,079058 0,113089
Nov 0,608377 0,819162 0,857906 0,031728 0,905969 0,61445 0,44534 0,409005 0,519372 0,677487
Des 0,627435 0,78199 0,635393 0,20356 0,538115 0,514764 0,571414 0,597173 0,335812 0,689529

Tahun 2011 2012 2013 2014 2015 2016 2017 2018

Jan 0,216126 0,42555 0,266283 0,380105 0,308168 0,18 0,388482 0,312147
Feb 0,330471 0,246911 0,355707 0,320942 0,334031 0,457696 0,393194 0,18534
Mar 0,274031 0,262827 0,251623 0,309948 0,271204 0,166806 0,147225 0,208377
Apr 0,487225 0,428796 0,246618 0,336126 0,213613 0,384293 0,428168 0,354974
Mei 0,590157 0,285864 0,325969 0,190576 0,255497 0,356859 0,154974 0,030366
Jun 0,122094 0,021047 0,478639 0,379058 0,115183 0,403141 0,28377 0,041885
Jul 0,051937 0,004607 0,531309 0,690052 0,034555 0,689005 0,070681 0,013613
Agus 0,002094 0,001571 0,089005 0,095288 0,006283 0,334031 0,002827 0,004188
Sept 0,001361 0 0,030366 0,004188 0 0,665969 0,206806 0,018848
Okt 0,079058 0,113089 0,078534 0,05822 0 1 0,877487 0,087958
Nov 0,519372 0,677487 0,303665 0,606283 0,4 0,547644 0,321675 0,714136
Des 0,335812 0,689529 0,349738 0,656545 0,445026 0,505759 0,383246 0,493194
 37

3. Pada pemrograman ini, curah hujan diprediksi berdasarkan data curah

hujan 6 bulan sebelumnya. Data latih yang digunakan adalah data curah
hujan dari bulan Januari 2003 sampai dengan bulan November 2016 (14
tahun). Sedangkan target latih adalah data curah hujan dari bulan Juli
2003 sampai dengan bulan Desember 2016 (14 tahun). Gambaran dari
penggunaan data latih dan target latih ditunjukkan pada Tabel 4.3.

Tabel 4.3 Pola data latih

Pola Data latih Target latih

Data pada bulan ke-1 s.d Data pada bulan ke-7
1
bulan ke-6
Data pada bulan ke-2 s.d Data pada bulan ke-8
2
bulan ke-7
. . .

. . .
Data pada bulan ke-162 Data pada bulan ke-169
162
s.d bulan ke-168

Perintah untuk menyiapkan data latih dan target latih terdapat pada
Lampiran 2. Perintah untuk menampilkan hasil pelatihan dalam bentuk
grafik terdapat pada Lampiran 3.
Grafik keluaran yang dihasilkan dari proses pelatihan adalah
seperti pada Gambar 4.1.
 38

Grafik Hasil Pelatihan

1000
Target Asli
Hasil Pelatihan
800

600
Curah Hujan

400

200

-200
0 20 40 60 80 100 120 140 160 180
Urutan data

Gambar 4.1 Grafik hasil pelatihan

Nilai MSE dan MAPE yang dihasilkan pada proses pelatihan

berturut-turut adalah sebesar 0,1617 dan 0,2790 %. Kedua nilai tersebut
menunjukkan bahwa proses pelatihan menggunakan algoritma ANFIS
dapat memprediksi curah hujan dengan baik, sehingga Fuzzy Inference
System (FIS) yang diperoleh dapat digunakan untuk melakukan prediksi
pada proses pengujian.
4. Mempersiapkan data uji dan target uji. Pada proses pengujian, target uji
digunakan hanya untuk memvalidasi hasil pengujian. Gambaran
penggunaan data uji dan target uji ditunjukkan pada Tabel 4.4.
 39

Tabel 4.4 Pola data uji

Pola Data latih Target latih

Data pada bulan ke-163 s.d Data pada bulan ke-169
1
bulan ke-168
Data pada bulan ke-164 s.d Data pada bulan ke-170
2
bulan ke-169
Data pada bulan ke-165 s.d Data pada bulan ke-171
3
bulan ke-170
. . .

. . .

. . .
Data pada bulan ke-186 s.d Data pada bulan ke-192
162
bulan ke-191

Perintah untuk menyiapkan data uji dan target uji terdapat pada
Lampiran 4. Perintah untuk menampilkan hasil pengujian dalam bentuk
grafik terdapat pada Lampiran 5.
Grafik keluaran yang dihasilkan dari proses pengujian adalah
seperti pada Gambar 4.2.
Grafik Hasil Pengujian
900
Target Asli
800 Hasil Pengujian

700

600

500
Curah hujan

400

300

200

100

-100
0 5 10 15 20 25
Urutan data

Gambar 4.2 Grafik hasil pengujian

 40

Nilai MSE dan MAPE yang dihasilkan pada proses pengujian

berturut-turut adalah sebesar 0.1617 dan 0.3407 %. Kedua nilai tersebut
menunjukkan bahwa proses pengujian menggunakan algoritma ANFIS
dapat memprediksi curah hujan dengan baik.
Hasil prediksi curah hujan untuk tahun 2019 dan 2020 berdasarkan
output dari aplikasi MATLAB 2014 menggunakan metode ANFIS adalah
seperti pada Tabel 4.5.
Tabel 4.5 Hasil prediksi curah hujan

TAHUN 2019
Bulan Out pengujian Target pengujian Error
Jan 720,4 720,4979905 -0,098
Feb 278,6 278,692536 -0,0925
Mar 551,6 551,5906676 0,00933
Apr 312,3 312,3009005 -0,0009
Mei 500,1 500,0699118 0,03009
Jun 339 339,0563853 -0,0564
Jul 260,4 260,4692535 -0,0693
Ags 67 67,25163022 -0,2516
Sep 543,2 542,7598831 0,44012
Okt 470,4 470,5541949 -0,1542
Nov 819,3 819,3333085 -0,0333
Des 606,8 606,7647508 0,03525

TAHUN 2020
Bulan Out pengujian Target pengujian Error
Jan 418,9 418,9471746 -0,0472
Feb 363,6 363,6056828 -0,0057
Mar 254,5 254,4800031 0,02
Apr 141,5 141,484483 0,01552
Mei 285,8 286,0578587 -0,2579
Jun 171 169,9393296 1,06067
Jul 54,4 54,75707457 -0,3571
Ags 7,8 9,443464002 -1,6435
Sep 0 -1,169528177 1,16953
Okt 60 59,47065854 0,52934
Nov 30,3 66,78510552 -36,485
Des 194,4 218,5383771 -24,138
 BAB V
PENUTUP

5.1 Kesimpulan

Berdasarkan hasil dan pembahasan pada Bab IV, dapat diambil

kesimpulan bahwa metode ANFIS merupakan salah satu metode yang dapat
diterapkan dalam peramalan data time series dengan hasil tingkat akurasi
yang baik dilihat dari nilai kesalahan yang kecil. Oleh karena itu, hasil
peramalan dapat digunakan sebagai pertimbangan bagi perusahaan,
pemerintah, atau masyarakat dalam mengambil keputusan terkait dengan
pencegahan bencana alam, dan kegiatan bercocok tanam.

5.2 Saran

1. Metode peramalan dengan time series bergantung pada informasi data

masa lalu, maka dari itu adanya kesalahan input data, data yang hilang
(missing value), dan data yang tidak valid haruslah diminimalisir karena
data periode sebelumnya sangat berpengaruh untuk menentukan prediksi
periode selanjutnya. Oleh karena itu, diharapkan kecermatan dalam
pengumpulan dan perhitungan data.
2. Disarankan untuk menggunakan data dengan jumlah besar pada penulisan
selanjutnya karena semakin banyak data, semakin banyak proses belajar
pada ANFIS sehingga hasil yang diperoleh akan lebih maksimal.

41
 DAFTAR PUSTAKA

Chase, R and Jacobs, R. 2014. Operation and Supply Chain Management.

Global Case Edition, New York: Mc Graw Hill.

Dwiono, W. 2008. Adaptive Neuro Fuzzy,

http://trensains.com/neuro_fuzz.htm. diakses tanggal 20 November
2019.

Fariza, A, Helen, A & Rasyid, A. 2007. Performansi Neuro Fuzzy Untuk

Peramalan Data Time Series. Seminar Nasional Aplikasi Teknologi
Informasi 2007 (SNATI 2007), 77-82.

Goh, C. dan Law, R. 2002. Modeling and Forecasting Tourism Demand for
Arrivals with Stochastic Nonstationary Seasonality and Intervention.
Tourism Management. 23: 499-510.

Handoko. 1994. Klimatologi Dasar, landasan pemahaman fisika atmosfer

dan unsure-unsur iklim, PT Dunia Pustaka Jaya, Jakarta.

Heizer, J. dan Render, B. 2015. Operations Management (Manajemen

Operasi). Edisi Kesebelas. Jakarta: Salemba Empat.

Indiyanto, R. 2008. Perencanaan dan Pengendalian Produksi. Surabaya:

Yayasan Humaniora.

Jang, JSR. 1993. ANFIS: Adaptive-Network-Based Fuzzy Inference System.

IEEE Transactions on System, Man, and Cybernetics Volume 23. Hal
665-685.

Kusumadewi, S. 2003. Artificial Intelligence Teknik dan Aplikasinya.

Yogyakarta: Graha Ilmu.

Lakitan. 1985. Dasar-Dasar Klimatologi, PT Raja Gravindo Persada.

Makridakis, S., Wheelwright, S.C,. dan McGee, V.E. 1999. Metode dan
Aplikasi Peramalan. Jakarta : Erlangga.

Montgomery. Design and Analysis of Experiments, 8th Edition.

Najmudin. 2012. Teknik Peramalan Bisnis dengan Aplikasi MINITAB.

Purwokerto: Universitas Jenderal Soedirman.

42
 43

Nasution, A. H. dan Prasetyawan, Y. 2008. Perencanaan Pengendalian

Produksi. Edisi Pertama. Yogyakarta: Penerbit Graha Ilmu.

Sinaga, RA. Aplikasi Jaringan Syaraf Tiruan Untuk Penentuan Konsentrasi

Program Studi Bagi Calon Mahasiswa Baru Stmik Budidarma Medan.
Medan. Pelita Informatika Budi Darma 2012. Volume 11. ISSN :
2301-9425. Hal 1-4.

Tampubolon, M. P. 2014. Manajemen Operasi & Rantai Pemasok

(Operation and Supply-chain Management). Edisi Pertama. Jakarta:
Mitra Wacana Media.

Vernes, D. J. 1978. Slope movement types and processes Transportation and

Road Research Board, Washington D. C. : National Academy of
Science.

Wignjosoebroto, S. 2003. Ergonomi Studi Gerak dan Waktu, Edisi Ketiga,

Jakarta: Guna Widya.
 LAMPIRAN

Lampiran 1. Perintah untuk Normalisasi Data

% Proses Normalisasi Data

max_data = max(max(data));
min_data = min(min(data));

[m,n] = size(data);
data_norm = zeros(m,n);
for x = 1:m
for y = 1:n
data_norm(x,y) = (data(x,y)-min_data)/(max_data-min_data);
end
end

44
 45

Lampiran 2. Perintah untuk Menyiapkan Data Latih dan Target Latih

% Menyiapkan data latih

data_norm = data_norm';
tahun_latih = 14; % Januari 2003 s.d November 2016
bulan_latih = 6;
jumlah_bulan = 12;
data_latih = zeros(jumlah_bulan*tahun_latih-
bulan_latih,bulan_latih);

for m = 1:jumlah_bulan*tahun_latih-bulan_latih
for n = 1:bulan_latih
data_latih(m,n) = data_norm(m+n-1);
end
end

% Menyiapkan target latih normalisasi

target_latih = zeros(jumlah_bulan*tahun_latih-bulan_latih,1);
for m = 1:jumlah_bulan*tahun_latih-bulan_latih
target_latih(m) = data_norm(bulan_latih+m); % Juli 2003 s.d
Desember 2016
end

% Proses pelatihan
trnData = [data_latih,target_latih];
numMFs = 2;
mfType = 'trapmf';
epoch_n = 2000;
in_fis = genfis1(trnData,numMFs,mfType);
out_fis = anfis(trnData,in_fis,epoch_n);

out_pelatihan = evalfis(data_latih,out_fis);
mse_pelatihan = mse(target_latih,data_latih);
diff = out_pelatihan-target_latih;
mape_pelatihan = (100/numel(out_pelatihan))*...
(sum(sum(abs(diff)/target_latih)));

% Denormalisasi hasil pelatihan

out_pelatihan_asli = (out_pelatihan*(max_data-min_data))+min_data;

% Menyiapkan target latih asli

target_latih_asli = zeros(jumlah_bulan*tahun_latih-bulan_latih,1);
data = data';
for m = 1:jumlah_bulan*tahun_latih-bulan_latih
target_latih_asli(m) = data(bulan_latih+m); % Juli 2003 s.d
Desember 2016
end
 46

Lampiran 3. Perintah untuk Menampilkan Hasil Pelatihan dalam Grafik

% Menampilkan hasil pelatihan

figure
plot(target_latih_asli,'ro-','LineWidth',2,'MarkerSize',4)
hold on
grid on
plot(out_pelatihan_asli,'bo-','LineWidth',2,'MarkerSize',4)
hold off
title('Grafik Hasil Pelatihan')
xlabel('Urutan data')
ylabel('Curah Hujan')
legend('Target Asli','Hasil Pelatihan')
 47

Lampiran 4. Perintah untuk Menyiapkan Data Uji dan Target Uji

% Menyiapkan data uji

tahun_uji = 2; % Juli 2016 s.d November 2018
bulan_uji = 6;
jumlah_bulan = 12;

data_uji = zeros(jumlah_bulan*tahun_uji,bulan_uji);

for m = 1:jumlah_bulan*tahun_uji
for n = 1:bulan_uji
data_uji(m,n) = data_norm(jumlah_bulan*tahun_uji-
bulan_uji+m+n-1);
end
end

% Menyiapkan target uji normalisasi

target_uji = zeros(jumlah_bulan*tahun_uji,1);
for m = 1:jumlah_bulan*tahun_uji
target_uji(m) = data_norm(jumlah_bulan*tahun_uji+m); % Januari
2017 s.d Desember 2018
end
% Proses pengujian
out_pengujian = evalfis(data_uji,out_fis);
mse_pengujian = mse(target_uji,data_uji);
diff = out_pengujian-target_uji;
mape_pengujian = (100/numel(out_pengujian))*...
(sum(sum(abs(diff)/target_uji)));

% Denormalisasi hasil pengujian

out_pengujian_asli = (out_pengujian*(max_data-min_data))+min_data;
 48

Lampiran 5. Perintah untuk Menampilkan Hasil Pengujian dalam Grafik

% Menyiapkan target uji asli

target_uji_asli = zeros(jumlah_bulan*tahun_uji,1);
for m = 1:jumlah_bulan*tahun_uji
target_uji_asli(m) = data(jumlah_bulan*tahun_uji+m); % Januari
2017 s.d Desember 2018
end

% Menampilkan hasil pengujian

figure
plot(target_uji_asli,'ro-','LineWidth',2,'MarkerSize',4)
hold on
grid on
plot(out_pengujian_asli,'bo-','LineWidth',2,'MarkerSize',4)
hold off
title('Grafik Hasil Pengujian')
xlabel('Urutan data')
ylabel('Curah hujan')
legend('Target Asli','Hasil Pengujian’
 DAFTAR RIWAYAT HIDUP

DATA PRIBADI
Nama Lengkap : Amelia Dhaniswara
Tempat,Tanggal Lahir : Banyumas, 22 April 1999
Jenis Kelamin : Perempuan
Kewarganegaraan : Indonesia
Agama : Islam
Status : Belum Menikah
Alamat : Perumahan Kalikidang Permai Blok O No.11
Jalan Damai RT 04 RW 07 Sokaraja 5318
No. Telepon : 085799847010
Email : ameliandaftar07@gmail.com

PENDIDIKAN FORMAL
1. SD Negeri 1 Sokaraja Kulon: Tahun 2005 - 2011
2. SMP Negeri 1 Sokaraja: Tahun 2011 - 2014
3. SMA Negeri 2 Purwokerto : Tahun 2014 - 2017
4. S1-Matematika Universitas Negeri Jenderal Soedirman : Tahun 2017 -
sekarang

PENGALAMAN ORGANISASI

1. Sekretaris UKM ITC MIPA Unsoed periode 2018

2. Sekretaris Umum UKM ITC MIPA Unsoed periode 2019

49