GEL2208 | Iklim Tropis | Dr.Sc. Andung Bayu Sekaranom, S.Si., M.Sc.

Dewi Halimah Permatasari | 21/473757/GE/09499

Weather Forecasting Process

Weather Forecasting atau peramalan cuaca merupakan suatu kegiatan yang dilakukan
untuk menghasilkan output berupa sekumpulan informasi mengenai kondisi cuaca yang akan
datang. Prakiraan atau peramalan cuaca digunakan sebagai langkah awal antisipasi dan
memperkecil dampak yang mungkin terjadi akibat proses cuaca. Pemilihan metode yang tepat
untuk menentukan keadaan cuaca menjadi kegiatan yang sering dilakukan oleh beberapa
peneliti cuaca atau atmosfer (Puspita & Yulianti, 2016). Adapun beberapa model atau metode
yang digunakan serta proses perkembangan dan tingkat akurasinya dijabarkan sebagai
berikut.
1. Metode Rantai Markov
Rantai Markov yaitu proses acak yang di dalamnya terdapat informasi mengenai masa
depan di dalam keadaan sekarang. Sebagai salah satu metode peramalan cuaca, Rantai
Markov digunakan untuk memprediksi dinamika atau perubahan di waktu yang akan
datang dengan menggunkan variabel di waktu yang lalu (Masuku, Langi, & Mongi, 2018).
Konsep dasar Rantai Markov diperkenalkan oleh Andrey A. Markov sejak tahun 1907.
Model ini berhubungan dengan rangkaian proses kejadian yang muncul akibat percobaan.
Output model ini tergantung pada rangkaian kejadian yang mendahului dan tidak
tergantung pada kejadian sebelumnya (Wusko & Nizar, 2017).

Gambar 1. Diagram Alur Rantai Markov

2. Logika Fuzzy Metode Sugeno
Peramalan Cuaca Berbasis Logika Fuzzy Metode Sugeno merupakan suatu metode
prakiraan atau peramalan cuaca dengan menggunakan Matlab. Input yang digunakan pada
metode ini yaitu suhu, angin, dan kelembaban. Hasil dari suatu penelitian dalam
menentukan sebuah peramalan (khususnya cuaca) ditentukan dengan melihat fungsi
 keanggotaan maupun rule yang digunakan. Metode inferensi fuzzy merumuskan
pemetaan, dari masukan yang diberikan kepada sebuah output. Proses ini melibatkan
fungsi keanggotaan atau operasi suhu. Logika Fuzzy dengan menggunakan metode sugeno
sangat baik digunakan sebagai model atau metode peramalan cuaca karena tingkat
keakuratan diatas 60%. Semakin banyak variabel yang dijadikan input, maka akan
menghasilkan output yang semakin baik (akurat).
3. Metode Siklis dan Adaptive Neuro Fuzzy Inference System (ANFIS)
Metode peramalan cuaca Siklis dan Adaptive Neuro Fuzzy Inference System (ANFIS)
merupakan suatu metode untuk prakiraan atau meramalkan cuaca dengan menggunakan
empat buah parameter yang mempengaruhi kondisi cuaca, yaitu suhu, tekanan udara,
kelembapan udara, dan kecepatan angin. Cuaca memiliki sifat fluktuatif dalam musiman
sehingga untuk meramalkan digunakan suatu model siklis.
ANFIS merupakan suatu metode perpaduan antara konsep Jaringan Syaraf Tiruan
(JST) dengan konsep Logika Fuzzy. Jaringan syaraf tiruan (JST) adalah struktur jaringan
dimana keseluruhan tingkah laku input-output ditentukan berdasarkan sekumpulan
parameter yang telah dimodifikasi. Keunggulan dari sistem Jaringan syaraf tiruan yaitu
kemampuan belajar terhadap informasi numerik melalui proses pembelajaran untuk
memperbaiki parameter pada fungsi pembobot dan fungsi aktivasinya. Sementara untuk
menentukan aturan-aturan akan dimasukkan ke dalam basis kaidah sistem fuzzy dan
kesulitan yang dijumpai dalam menentukan jumlah lapisan yang akan digunakan dalam
struktur jaringan syaraf, dapat diatasi dengan menggabungkan kedua sistem ini menjadi
neuro-fuzzy (ANFIS).
Metode Siklis memiliki beberapa kelebihan dalam memprediksi atau meramalkan
cuaca dalam rentang waktu tertentu. Metode siklis memiliki sifat fluktuatif sehingga
dengan adanya kelebihan antara ANFIS dan metode siklis akan dikembangkan metode
siklis dan adaptive neuro fuzzy inference system untuk peramalan cuaca. Performa model
ini dapat dimaksimalkan dengan menggunakan nilai laju pembelajaran 0.3 yang
menghasilkan tingkat akurasi mencapai 76.67 %.

Implementasi Weather Forecasting atau peramalan cuaca dalam lingkup geografi

biasanya diterapkan oleh Badan Meteorologi, Klimatologi dan Geofisika (BMKG).
BMKG adalah perusahaan negara yang bertugas sebagai pengamat cuaca yang mampu
memprediksikan cuaca melalui metode konvensional baik itu metode statistik maupun
dinamik. Peramalan cucaca tersebut dapat digunakan sebagai langkah awal antisipasi dan
memperkecil dampak yang mungkin terjadi akibat proses cuaca dan mengurangi risiko
bencana hidrometeorologi, seperti banjir, kekeringan, badai, maupun tanah longsor.

Daftar Pustaka
Masuku, F. N., Langi, Y. A.., & Mongi, C. (2018). Analisis Rantai Markov Untuk
Memprediksi Perpindahan Konsumen Maskapai Penerbangan Rute Manado-
Jakarta. Jurnal Ilmiah Sains, 18(2), 75.
Puspita, E. S., & Yulianti, L. (2016). Perancangan sistem peramalam cuaca berbasis
Logika Fuzzy. Media Infotama.
Wusko, A. U., & Nizar, M. (2017). Pendekatan Rantai Markov Dalam Pemilihan
Universitas Di Pasuruan. Journal Knowledge Industrial Engineering.