PREDIKSI CURAH HUJAN DAERAH ISTIMEWA YOGYAKARTA

DENGAN FUZZY LOGIC

1Gunawan Eko Wibowo, 2Agus Maman Abadi

Program Study Matematika, Jurusan Pendidikan Matematika

Universitas Negeri Yogyakarta 1wibowogunawaneko@yahoo.com, 2agusmaman@uny.ac.id

Abstrak: Salah satu sektor pendapatan andalan Yogyakarta adalah sektor pertanian

yang sangat bergantung pada kondisi curah hujan. Sehingga model prediksi cerah

hujan sangat diperlukan dalam mengoptimalkan hasil pertanian tiap tahunnya.

Terlebih lagi, secara lebih luas, Indonesia merupakan negara yang cukup sering

dilanda bencana banjir serta bencana kekeringan yang merupakan akibat dari

intensitas curah hujan yang tidak normal karena berbagai sebab.

Dalam penelitian ini diusulkan suatu model untuk memprediksi curah hujan dalam

kurun waktu satu tahun. Metode yang digunakan adalah fuzzy logic dimana akan

dilakukan proses matching dan pengkelasan data. Data diperoleh dari buku laporan

tahunan BPS Daerah Istimewa Yogyakarta dengan fokus pengujian sistem untuk

wilayah Yogyakarta dan sekitarnya. Target data disesuaikan menjadi 4 kategori

yaitu cerah, hujan ringan, hujan sedang, dan hujan lebat. Hasil prediksi

menunjukkan akurasi sebesar 78.906%.

Kata Kunci: Fuzzy Logic, prediksi hujan

PENDAHULUAN

Sebagai salah satu daerah yang terletak di Indonesia, yang terkenal dengan negara

agraris, Yogyakarta juga merupakan salah satu daerah di Indonesia yang

mengandalkan sektor pertanian dan perkebunan sebagai salah satu sektor

pendapatannya selain dari sektor pariwisata juga menjadi andalan pemasukan

daerah. Dan sebagai salah satu daerah yang mengandalkan pertanian serta

pariwisata, cuaca merupakan aspek penting yang perlu diperhatikan agar hasil

pertanian dapat optimal serta transportasi ke tempat-tempat wisata menjadi aman.

Salah satu aspek cuaca yang cukup berpengaruh yaitu curah hujan. Curah hujan

tahunan di Indonesia tinggi. Namun, terdapat beberapa hal yang mempengaruhi

intensitas curah hujan di Indonesia, seperti fenomena El Nino dan La Nina. Kedua

fenomena tersebut pernah membuat intensitas hujan di Indonesia di bawah rata-rata

sehingga mempengaruhi beberapa sektor kehidupan, seperti sektor pertanian.

Selain itu, juga membuat curah hujan menjadi sangat tinggi, yang dapat

membahayakan transportasi khususnya udara serta menimbulkan banjir.

Oleh karena itu, faktor cuaca merupakan hal yang sulit diprediksi, sehingga

peramalan cuaca akhir-akhir ini menjadi topik yang menarik dan cukup sering

dibahas. Peramalan cuaca terutama hujan sudah menjadi kebutuhan nasional.

Betapa tidak, bencana banjir yang turun dengan intensitas di atas normal atau

bencana kekeringan karena intensitas hujan yang di bawah normal sering melanda

Indonesia, dan tak jarang pula menimbulkan kerugian materi maupun jiwa.

Konsep Hujan

Hujan adalah salah satu bentuk kelanjutan dari uap air yang berasal dari awan pada

lapisan atmosfer. Bentuk lainnya adalah salju dan es. Proses jatuhnya uap air

sebagai titik-titik hujan memerlukan titik kondensasi, amoniak, debu dan asam

belerang. Titik-titik kondensasi ini sifatnya mengambil uap air dari udara. Satuan

hujan internasional adalah milimeter atau inchi.

Curah hujan adalah pendekatan untuk mengetahui banyaknya hujan yang turun di

permukaan bumi dalam satuan waktu. Curah hujan dihitung berdasarkan ketinggian

air hujan yang terkumpul dalam tempat yang datar, tidak menguap, tidak teresap,

dan tidak mengalir. Curah hujan 1 (satu) millimeter artinya dalam luasan satu meter

persegi tertampung air setinggi satu milimeter atau tertampung sebanyak satu liter.

Banyak variabel cuaca yang mempengaruhi curah hujan, namun tidak semua

variabel tersebut mempunyai korelasi yang kuat terhadap terjadinya hujan.

Beberapa variabel cuaca yang cukup mempengaruhi curah hujan antara lain:

1. Suhu Udara adalah keadaan panas atau dinginnya udara di suatu tempat

pada waktu tertentu, yang di penggaruhi oleh banyaknyaatau sedikitnya

panas matahariyang di terima bumi.

2. Kelembapan udara adalah banyaknya uap air yang terkandung dalam udara

atau atmosfer. Besarnya tergantung dari masuknya uap air ke dalam

atmosfer karena adanya penguapan dari air yang ada di lautan, danau, dan

sungai, maupun dari air tanah. Di samping itu terjadi pula dari proses

transpirasi, yaitu penguapan dari tumbuh-tumbuhan. Sedangkan banyaknya

air di dalam udara bergantung kepada banyak faktor, antara lain adalah

ketersediaan air, sumber uap, suhu udara, tekanan udara, dan angin.

3. Kecepatan angin adalah jarak yang ditempuh oleh angin per satuan waktu

secara horizontal pada ketingian dua meter dari permukaan tanah yang

ditanami dengan rumput. Kecepatan angin pada dasarnya ditentukan oleh

perbedaan tekanan udara antara tempat asal dan tujuan angin (sebagai faktor

pendorong ) dan resistensi medan yang dilaluinya.

Meskipun berada dekat pada garis khatulistiwa, Indonesia tidak memiliki curah

hujan yang sama pada setiap wilayah. Berdasarkan data BMKG, distribusi rata-rata

curah hujan bulanan terbagi ke dalam tiga pola hujan, yaitu:

1. Pola Hujan Monsoon

Wilayah di bawah pola hujan ini memiliki perbedaan yang jelas antara

periode musim hujan dan periode musim kemarau dengan ciri memiliki satu

puncak musim hujan.

2. Pola Hujan Equatorial

Ciri pola hujan ini adalah dua puncak musim hujan maksimum dan hampir

sepanjang tahun masuk dalam kriteria musim hujan. Dua puncak hujan biasa

terjadi pada bulan Maret atau Oktober.

3. Pola Hujan Lokal

Pola hujan lokal memiliki distribusi hujan bulanan berkebalikan dengan

pola monsoon. Pola lokal dicirikan oleh bentuk pola hujan unimodial (satu

puncak hujan), tetapi bentuknya berlawanan dengan tipe hujan monsoon.

Model Dasar Fuzzy logic

Konsep fuzzy logic diperkenalkan oleh Prof. Lotfi Zadeh dari Universitas

California di Berkeley pada 1965. Secara umum, fuzzy logic adalah sebuah

metodologi berhitung dengan variabel kata-kata (linguistis variable), sebagai

pengganti berhitung dengan bilangan (N. Agus, 2009). Kata-kata yang digunakan

dalam fuzzy logic memang tidak sepresesi bilangan, namun kata-kata jauh lebih

dekat dengan intuisi manusia. Manusia bisa langsung merasakan nilai dari

variabel kata-kata yang sudah dipakainya sehari-hari.

Demikianlah, fuzzy logic memberi ruang dan bahkan mengeksploitasi toleransi

terhadap ketidakpresisian. Dengan fuzzy logic , sistem kepakaran manusia bisa

diimplementasikan ke dalam bahasa mesin yang mudah dan efisien. Dari sekian

banyak alternatif yang tersedia, sistem fuzzy seringkali menjadi pilihan yang

terbaik. Namun fuzzy logic bukan merupakan konsep yang sempurna yang bisa

dipakai untuk memecahkan semua masalah. Fuzzifikasi merupakan suatu proses

pengubahan himpunan nun-fuzzy (crisp) kedalam himpunan fuzzy, masukan bukan

fuzzy (crisp) dipetakan ke bentuk himpunan fuzzy sesuai dengan variasi semesta

pembicaraan masukan. Fungsi keangotaan (Membership Function) adalah

komponen penting.

Fungsi keanggotaan adalah suatu kurva yang mendefinisikan bagaimana setiap

titik-titik data dalam ruang input yang dipetakkan antara 0 dan 1.Keanggotaan

dalam himpunan fuzzy mempunyai bentuk yang berbeda-beda terdiri dari bentuk

linier, bell, gaussian, trapesoidal dan triangular (Lautri, 2010).

Inference Sistem

Sistem inferensi fuzzy (FIS) disebut juga fuzzy inference engine adalah sistem yang

dapat melakukan penalaran dengan prinsip serupa seperti manusia melakukan

penalaran dengan nalurinya. Terdapat beberapa jenis FIS yang dikenal namun

terdapat dua jenis yang cukup sering digunakan yaitu Mamdani dan Sugeno.

Fuzzy Inference Sistem (FIS) merupakan bagian terpenting dalam fuzzy logic .

Logika pengambil keputusan merupakan suatu kerangka komputasi yang

didasarkan pada teori himpunan fuzzy, aturan fuzzy berbentuk IF - THEN, dan

penalaran fuzzy. Fuzzy Inference sistem (FIS) menerima input crisp. Input ini

kemudian dikirim ke basis pengetahuan yang berisi n aturan fuzzy berbentuk IF -

THEN. Dalam FIS terdapat dua proses yaitu:

1. Implikasi yaitu proses mendapatkan consequent keluaran sebuah IF-THEN

rule berdasarkan derajat kebenaran antecedent. Namun sebuah rule dapat

diboboti dengan bilangan antara 0 sampai 1 umumnya rule diberi bobot 1.

Setelah setiap rule diberi bobot proses implikasi baru bisa dilakukan.

Implikasi dilakukan pada tiap rule, Masukan dari proses implikasi adalah

derajat kebenaran bagian antecedent dan fuzzy set pada bagian consequent.

Dua fungsi yang digunakan dalam proses implikasi adalah min dan prod

(product, menskalakan fuzzy set keluaran).

2. Agregasi yaitu proses mengkombinasikan keluaran semua IF THEN rule

menjadi sebuah fuzzy set tunggal. Jika bagian consequent terdiri lebih dari

satu pernyataan maka proses agregrasi dilakukan secara terpisah untuk tiap

variabel IF-THEN rule.

Selanjutnya, pada hasil agregasi akan dilakukan defuzzifikasi untuk mendapatkan

nilai crisp sebagai output sistem.

METODOLOGI PENELITIAN

Penelitian ini dilakukan dengan beberapa tahapan, yang pertama Pengambilan data

cuaca yang terdiri dari 3 variabel utama, yaitu suhu udara, kelembaban udara, dan

kecepatan angin. Data yang telah dipilih dikelompokkan dengan metode cluster

means agar dapat didapatkan parameter premis awal pada sistem fuzzy logic.

Selanjutnya dilakukan perancangan sistem fuzzy dengan software Matlab. Hasilnya

kemudian divalidasi dengan data aktual dari BMKG.

Pengambilan Data

Tahap pertama yang dilakukan yaitu pengambilan data, Diana data diperoleh dari

buku Daerah Istimewa dalam Angka yang diterbitkan oleh Badan Pusat Statistik

Daerah Istimewa Yogyakarta pada setiap tahunnya sebagai dokumentasi tahun yang

telah dilewati. Data yang diperoleh berupa empat unsur cuaca yaitu curah hujan,

suhu udara, kelembaban udara, dan kecepatan angin. Data tersebut adalah data

bulanan keempat unsur cuaca tersebut dalam kurun waktu 2010 hingga 2014. Untuk

bisa memperoleh hasil yang diinginkan, sebelumnya harus dilakukan proses

percobaan dengan data yang sudah dimiliki, yaitu dengan data tahun 2010 sampai

2012 dikelompokkan, data tahun 2013 sebagai target percobaan serta data tahun

2014 sebagai data validasi.

Perancangan Sistem Fuzzy Logic

Langkah pertama pada penelitian ini adalah dengan membuat rancangan sistem

fuzzy logic. Setelah mendapatkan sistem yang mendapatkan hasil validasi yang

melebihi 50 % maka sistem tersebut yang akan dipakai untuk memprediksi curah

hujan tahun 2011. Untuk dapat memprediksi curah hujan tahun 2011 diperlukan

teknik neural network untuk memprediksi variabel input temperatur, kelembaban,

dan kecepatan angin, hal ini disebabkan sistem fuzzy logic tidak dapat digunakan

untuk memprediksi curah hujan tahun berikutnya.

Pengolahan Data Inputan

Pengolahan data pada penelitian ini dilakukan eksperimen dengan berbagai sistem

fuzzy logic. Salah satu hal yang mempengaruhi sistem fuzzy logic ini adalah data

masukan. Unsur cuaca yang digunakan sebagai masukan adalah temperatur,

kelembaban udara, dan kecepatan angin. Ketiga variabel ini digunakan sebagai

masukan karena variabel-variabel ini penyebab utama terjadinya hujan, dan data

keluaran adalah curah hujan.

Pada penelitian ini pengelompokkan data menggunakan metode fuzzy cluster means

dari tahun 2010-2012. Variabel-variabel yang dikelompokkan dengan fuzzy cluster

means yaitu temperatur, kelembaban, dan kecepatan angin. Curah hujan tidak

dikelompokkan dengan fuzzy cluster means karena sudah dikelompokkan menurut

ketentuan BMKG. Teknik fuzzy cluster means dilakukan dengan matlab, yaitu

dengan menuliskan syntax pada editor matlab. Adapun beberapa syntax yang

digunakan untuk metode fuzzy cluster means seperti penjelasan dibawah ini

[center,U,obj_fcn] = fcm(data,cluster_n)

Penjelasan dari syntax diatas adalah menerapkan metode fuzzy cluster means untuk

himpunan data. Penjelasan input fungsi ini adalah:

a. data : kumpulan data akan dikelompokkan setiap baris adalah data sampel

titik.

b. cluster_n : jumlah dari cluster (lebih dari satu) penjelasan output fungsi

ini.

c. center : matriks pusat cluster akhir di mana setiap baris menyediakan pusat

koordinat.

d. U : matriks partisi fuzzy akhir (atau fungsi keanggotaan matriks) .

e. obj_fcn : nilai-nilai fungsi objektif selama iterasi fuzzy cluster means

(data,cluster_n,options) menggunakan variabel argumen tambahan, opsi,

untuk mengontrol parameter clustering, memperkenalkan kriteria

berhenti, mengatur tampilan informasi iterasi, atau keduanya.

Proses clustering berhenti ketika jumlah maksimum dari iterasi tercapai atau ketika

perbaikan fungsi tujuan antara dua iterasi berturut-turut kurang dari jumlah

minimum perbaikan ditentukan.

Fuzzifikasi

Fuzzifikasi adalah tahap pemetaan nilai masukan dan keluaran ke dalam bentuk

himpunan fuzzy. Data masukan berupa himpunan crisp yang akan diubah menjadi

himpunan fuzzy berdasarkan range untuk setiap variabel masukannya. Pada proses

fuzzifikasi ini terdapat dua hal yang harus diperhatikan yaitu nilai masukan dan

keluaran serta fungsi keanggotaan (membership function) yang akan digunakan

untuk menentukan nilai fuzzy dari data nilai crisp masukan dan keluaran. Pada

proses fuzzifikasi ini digunakan bentuk fungsi keanggotaan gaussian sebagai

variabel masukan karena gaussian sesuai apabila digunakan untuk data-data alami

seperti data cuaca. Disamping itu juga dipilih fungsi gaussian karena mempunyai

tingkat keakurasian tinggi dalam membaca data dibandingkan fungsi lainnya.

Proses iterasi dilakukan pada tahap fuzzifikasi, yaitu dengan merubah nilai range

dan parameter yang digunakan untuk membangun fungsi keanggotaan, serta dapat

juga dengan merubah jenis fungsi keanggotaan yang digunakan. Pada penelitan kali

proses merubah nilai range dan parameter yang ada dari fungsikeanggotaan

dilakukan hingga mendapatkan sistem dengan tingkat presisi yang tinggi. Berikut

adalah fungsi keanggotaan (Membership function) yang digunakan pada sistem

fuzzy logic.

Tabel 1. Fungsi Keanggotaan Variabel Masukan

Variabel Himpunan fuzzy Komponen

Standar Deviasi Nilai

Suhu (0C)

Rendah 0.7572 24.89

Sedang 0.7572 26.33

Tinggi 0.7572 28

Kelembaban (%)

Rendah 3.58 77

Sedang 3.58 81.8

Tinggi 3.58 84

Kecepatan Angin

(m/s)

Ringan 2.082 11

Sedang 2.082 13.33

Kencang 2.082 15

Tabel 2. Fungsi Keanggotaan Variabel Keluaran

Variabel Himpunan fuzzy Komponen

Curah Hujan/Cuaca

(mm)

Cerah 0 5

Hujan ringan 5 25

Hujan Sedang 25 65

Hujan lebat >65

Berdasarkan fungsi keanggotaan variabel masukan di atas, maka akan terbentuk

grafik yang merupakan grafik fungsi keanggotaan variabel masukan.

Gambar 1. Fungsi Keanggotaan Suhu

Gambar 2. Fungsi Keanggotaan Kelembaban

Gambar 3. Fungsi Keanggotaan Kecepatan Angin

Rule-based

Setelah pendefinisian membership function, maka langkah berikutnya yaitu

membuat aturan (rule base). Rule base ini terdiri dari kumpulan aturan peramalan

cuaca yang berbasis fuzzy logic untuk menyatakan kondisi cuaca yang terjadi.

Penyusunan rule base ini berdasarkan pada sistem pakar yang ada, seperti terlihat

pada tabel 3.

Tabel 3. Rule-based untuk prediksi hujan

Suhu (T) Kelembaban (R) Kecepetan Angin (V)

Rg Sd Kc

Rd

Rd Cr Cr Cr

Sd Cr Cr Cr

Tg HR HS HL

Sd

Rd Cr Cr Cr

Sd Cr Cr Cr

Tg Cr Cr Cr

Tg

Rd Cr Cr Cr

Sd Cr Cr Cr

Tg Cr Cr Cr

Tabel 4. Lanjutan Rule-based

No If Then

1 T Rd R Rd V Rg C Cr

2 T Rd R Rd V Sd C Cr

3 T Rd R Rd V Kc C Cr

4 T Rd R Sd V Rg C Cr

5 T Rd R Sd V Sd C Cr

6 T Rd R Sd V Kc C Cr

7 T Rd R Tg V Rg C HR

8 T Rd R Tg V Sd C HS

9 T Rd R Tg V Kc C HL

10 T Sd R Rd V Rg C Cr

11 T Sd R Rd V Sd C Cr

12 T Sd R Rd V Kc C Cr

13 T Sd R Sd V Rg C Cr

14 T Sd R Sd V Sd C Cr

15 T Sd R Sd V Kc C Cr

16 T Sd R Tg V Rg C Cr

17 T Sd R Tg V Sd C Cr

18 T Sd R Tg V Kc C Cr

19 T Tg R Rd V Rg C Cr

20 T Tg R Rd V Sd C Cr

21 T Tg R Rd V Kc C Cr

22 T Tg R Sd V Rg C Cr

23 T Tg R Sd V Sd C Cr

24 T Tg R Sd V Kc C Cr

25 T Tg R Tg V Rg C Cr

26 T Tg R Tg V Sd C Cr

27 T Tg R Tg V Kc C Cr

Keterangan

C = Curah

Hujan/

Cuaca

Rd = Rendah

Sd = Sedang

Tg = Tinggi

Rg = Ringan

Kc = Kencang

Cr = Cerah

HR = Hujan ringan

HS = Hujan

sedang

HL = Hujan lebat

cara membaca rule pada Tabel 4, pada baris No 1 IF Suhu adalah Rendah DAN

Kelembaban adalah Rendah DAN Kecepatan Angin adalah Ringan MAKA Cuaca

akan Cerah.

PEMBAHASAN

Proses pembuatan prediksi curah hujan ini menggunakan metode Takagi Sugeno

karena bersifat konstan dan fleksibel sehingga lebih cocok untuk peramalan. Proses

selanjutnya yaitu fuzzifikasi untuk data masukan, data yang berupa himpunan crisp

akan diubah menjadi himpunan fuzzy berdasarkan pada range untuk setiap variabel.

Pada proses fuzzifikasi, digunakan fungsi keanggotaan gaussian sebagai variabel

masukan karena fungsi ini cocok untuk mengolah data-data alami seperti data

cuaca.

Setelah proses fuzzifikasi, langkah selanjutnya adalah membuat rule-base, yang

terdiri dari kumpulan aturan peramalan cuaca yang berbasis fuzzy logic untuk

menyatakan kondisi cuaca yang terjadi. Pada peramalan curah hujan dengan tiga

variabel masukan yang masing-masing memiliki tiga fungsi keanggotaan dan satu

variabel keluaran seperti di atas, memiliki 27 buah rule.

Proses selanjutnya yaitu fuzzy inference, yaitu proses pengambilan keputusan

berdasarkan rule. Setiap hasil fuzzy inference akan dikonversikan ke suatu bilangan

riil melalui tahap defuzzifikasi menggunakan metode weights of average.

Dalam peramalan ini, akan akan dilakukan pengujian dengan data tahun 2012 dan

akan divalidasi dengan data pada tahun 2013.

Proses Pengujian

Dalam penelitian ini digunakan 36 data bulanan dari tahun 2009 sampai 2011 untuk

setiap variabel masukan yang akan digunakan untuk pembangunan logika. Data

yang telah terkumpul dan terbagi dalam klasifikasi, dipakai sebagai membership

function dalam penyusunan program. Setelah itu dilakukan pengujian dengan data

masukan dari tahun 2012, yaitu sebanyak 12 data. Melalui program yang telah

dibuat dapat diamati hubungan antara variabel-variabel meteorologi hari ini dengan

kondisi bulan selanjutnya.

Berdasarkan 27 rule yang telah ditetapkan maka hasil keputusan dari fuzzy

direpresentasikan pada grafik status dimana fuzzy logic memiliki input dan output

berupa linguistik dan numerik. Hujan memiliki empat jenis nilai status secara

linguistik yaitu cerah, hujan ringan, hujan sedang, dan hujan lebat.

Dari proses tersebut, diperoleh hasil prediksi curah hujan Daerah Istimewa

Yogyakarta pada tahun 2013 yaitu sebesar 1988,6 dengan nilai aktual dari BMKG

Daerah Istimewa Yogyakarta sebesar 2432. Tingkat keakuratan dari sistem ini

dapat dihitung dengan menggunakan rumus

(%) = 100% |

| 100%

diperoleh nilai keakuratan sebesar 78.096%.

KESIMPULAN DAN SARAN

Validasi curah hujan Daerah Istimewa Yogyakarta tahun 2013 dengan metode

fuzzy logic mencapai 78.096%. Perbaikan hasil ke depannya dapat dilakukan

dengan menggabungkan beberapa metode untuk memperoleh hasil yang lebih baik.

Seperti dengan jaringan saraf tiruan atau analisis runtun waktu.

DAFTAR PUSTAKA

Hasan, Mahbub, dkk. 2013. Rainfall Prediction Model Improvement by Fuzzy Set Theory. Journal of Water Resource and Protection.

Indrabayu, dkk. 2012. Prediksi Curah Hujan Dengan Fuzzy Logic. Vol. 6,

Desember 2012.

Badan Pusat Statistik Daerah Istimewa Yogyakarta. 2010. Daerah Istimewa

Yogyakarta Dalam Angka Tahun 2009. Yogyakarta: BPS DIY.

Badan Pusat Statistik Daerah Istimewa Yogyakarta. 2011. Daerah Istimewa

Yogyakarta Dalam Angka Tahun 2010. Yogyakarta: BPS DIY.

Badan Pusat Statistik Daerah Istimewa Yogyakarta. 2012. Daerah Istimewa

Yogyakarta Dalam Angka Tahun 2011. Yogyakarta: BPS DIY.

Badan Pusat Statistik Daerah Istimewa Yogyakarta. 2013. Daerah Istimewa

Yogyakarta Dalam Angka Tahun 2012. Yogyakarta: BPS DIY.

Badan Pusat Statistik Daerah Istimewa Yogyakarta. 2014. Daerah Istimewa

Yogyakarta Dalam Angka Tahun 2013. Yogyakarta: BPS DIY.

Okta, Dewi. 2012. Curah Hujan Di Indonesia. Diakses dari

http://blogs.unpad.ac.id/octa/2012/10/31/curah-hujan-di-indonesia/, pada

tanggal 10 Juni 2015.