Pendekatan Metode Self Organizing Maps (SOM) Untuk
Pengelompokkan Zona Musim Kabupaten Ngawi dan
Evaluasi Ketepatan Zona Musim dengan Metode General
Regression Neural Network (GRNN)
Oleh
Agnisa Bhakti Persada
1307 100 009
Dosen Pembimbing:
Dr. Bambang Widjanarko Otok, M.Si
JURUSAN STATISTIKAFakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember
Surabaya 2011
HASIL EVALUASI
BMKG
KINERJA BEBERAPA ZOM KURANG BAIK
(TINGKAT AKURASI RENDAH) KARENA DATA PENGAMATAN TIDAK HOMOGEN PERGANTIAN ALAT PENGAMATAN (INSTRUMENTASI) PERPINDAHAN LOKASI PENGAMATAN BMG (2003) menggunakan metode Complete Linkage WIGENA (2006) menggunakan metode
Ward’s dan centroid Alam (2010) menggunakan metode Agglomerative
Hierarchical Clustering
Metode
Parametrik
Metode
NON-Parametrik
(SOM dan
GRNN)
LATAR BELAKANG
SALAH SATU
LUMBUNG
PADI JATIM
72% dari luas wilayah Kab.Ngawi berupa sawah, hutan dan perkebunan (Ngawikab.go.id)NGAWI
LATAR BELAKANG
Tahun 2007, tingkatproduktivitas padi di ngawi (55,02 kw/ha) lebih
tinggi dibandingkan produktivitas jatim
(54,45kw/ha)
(Dinas pertanian pangan jatim, 2009)
Tahun 2000 sebagai penghasil
padi terbesar ke-4 se-JATIM
(BPS, dalam angka Kab.Ngawi
2007)
Tahun 2009 sebagai
penghasil padi terbesar
ke-5 se-JATIM
(BPS, 2010)
Akibat perubahan cuaca dan banjir,
sehingga menyebabkan kerusakan
tanaman pangan dan jadwal panen
mundur
(Dinas Tanaman Pangan dan Hortikultura
Kabupaten Ngawi, 2008)
RUMUSAN MASALAH
1. Bagaimana pengelompokkan ZOM Kabupaten Ngawi dengan metode
Complete Linkage dan Self Organizing Maps ?
2. Bagaimana ketepatan klasifikasi ZOM yang terbentuk dengan menggunakan
metode General Regression Neural Network (GRNN) ?
1. Mengetahui hasil pengelompokan ZOM Kabupaten Ngawi dengan metode
Complete Linkage dan Self Organizing Maps (SOM).
2. Mengevaluasi ketepatan ZOM yang dihasilkan dengan menggunakan
metode General Regression Neural Network.
MANFAAT PENELITIAN
1. Manfaat dalam bidang akademik dan keilmuan.
Penelitian ini diharapkan dapat dijadikan salah satu referensi untuk penelitian
selanjutnya yang berkaitan dengan penerapan metode SOM dan GRNN.
2. Manfaat bagi BMKG
Memberikan informasi bagi BMKG dan masyarakat Ngawi khususnya dalam
deskripsi curah hujan serta membantu BMKG dalam mendapatkan metode
terbaik untuk penentuan ZOM dengan ketepatan klasifikasi yang tinggi.
BATASAN MASALAH
Menggunakan metode Complete Linkage dan Self Organizing Maps untuk
pengelompokkan ZOM Kabupaten Ngawi dan metode berbasis machine learning
yaitu General Regression Neural Network (GRNN) untuk melihat ketepatan klasifikasi
ZOM. Hasil pengelompokkan akan dimodifikasi berdasarkan peta elevasi Kabupaten
Ngawi.
X
nx1
= µ
nx1
+ l
nxm
F
mx1
+
n
ANALISIS FAKTOR
Metode analisis yang bertujuan untuk mendapatkan sejumlah faktor yang
memiliki sifat-sifat yang mampu menerangkan semaksimal mungkin
keragaman yang ada dalam data (Dillon, 1984).
TINJAUAN PUSTAKA
Keterangan :
,
...
µ
iadalah nilai rata-rata pada variabel ke-i
X
1, X
2,..., X
nadalah variabel asal
F
1, F
2,..., F
madalah faktor bersama (common factor)
l
ijadalah bobot (loading) dari variabel asal ke-i pada faktor ke-j.
1
ASUMSI ANALISIS FAKTOR
TINJAUAN PUSTAKA
, , ...
1. Uji Barltlett (Kebebasan Antar Variabel)
H
0
:
I
H
1
:
I
Statiistik uji :
ln
6
5
2
1
2
n
p
hitungn : banyaknya pengamatan
p : banyaknya variabel pengamatan
: matrik korelasi
Menurut Morrison (1990), untukmenguji kebebasan antar variabel
dapat dilakukan uji Bartlett dengan hipotesis sebagai berikut .
Variabel-variabel pengamatan saling independen
Variabel-variabel pengamatan saling dependen
ASUMSI ANALISIS FAKTOR
TINJAUAN PUSTAKA
, , ...
Hipotesis :
H
0: Data pengamatan layak untuk dianalisis.
H
1: Data pengamatan tidak layak untuk dianalisis.
Daerah Penolakan : Tolak H
0, jika nilai KMO < 0.5.
Dillon (1984) menetapkan :
KMO sebesar 0.90 adalah sangat bagus,
0.80 bagus
0.70 cukup
0.60 kurang
0.50 buruk dan
dibawah 0.50 tidak dapat diterima.
2. Uji Kecukupan Data
ANALISIS DISKRIMINAN
TINJAUAN PUSTAKA
,
Analisis diskriminan merupakan metode statistika untuk mengelompokkan atau
mengklasifikasikan sejumlah obyek kedalam beberapa kelompok berdasarkan
bebe-rapa variabel (Johnson danWichern, 1992).
Y
i
=
1X
1j
2X
2j
...
pX
pjDimana :
Y
i
= nilai diskriminan ke-i, i = 1, 2, …, k-1
Analisis
Cluster
hierarkhi
TINJAUAN PUSTAKA
,
1. Jarak Euclidius
Johnson et al. (1992) mengemukakan bahwa jarak euclidius
berawal dari jarak antara dua objek.
2 1 1 2
)
)
((
)
,
(
p i si ri s rx
x
x
x
d
Definisi Clustering adalah metode mengelompokkan objek berbeda ke dalam grup-grup
berdasarkan aturan kesamaan (similarity) atau ketidaksamaan dan jarak antar objek
den-gan homogenitas antara objek dalam satu grup adalah maksimal, dan minimal jika
sebalik-nya.
Analisis
Cluster
hierarkhi
TINJAUAN PUSTAKA
,
2. Pautan Lengkap (Complete Linkage/Farthest Neighbor)
Pada Complete Linkage jarak antara dua cluster ditentukan
oleh jarak terjauh antara dua objek dalam cluster yang berbeda
(Johnson et al, 1992).
d
k(i,j)
= maks (d
ki
,d
kj
)
Besaran-besaran d
ki
dan d
kj
berturut-turut adalah jarak antara tetangga
TINJAUAN PUSTAKA
,
Self Organizing Maps (SOM)
Self Organizing Maps (SOM) merupakan salah satu model
Jaringan Syaraf Tiruan yang menggunakan metode unsupervised
learning, artinya jaringan tersebut melakukan pembelajaran tanpa
panduan data input dan model dibuat dan diatur sesuai data input
(Otok, 2010). Penentuan cluster terdekat dengan menggunakan
persamaaan:
i j
c
i
w
x
w
x
min
atau
c
arg
min
x
i
w
j
Keterangan :
x
i
adalah data input
w
j
adalah adalah bobot input ke-j
TINJAUAN PUSTAKA
,
Pada Iterasi SOM dilakukan update pada setiap titik data yang dimasukkan dengan
menggunakan rumus
(
)
)
(
)
(
)
(
)
1
(
t
w
t
t
h
t
x
w
t
w
j
j
ij i
j
)
(
2
exp
)
(
2 2t
x
x
t
h
ij i j
Fungsi Gaussian
Indeks Validitas
Penentuan cluster dapat dilakukan dengan menghitung indeks validitas, salah satu
validitas yang digunakan adalah Root Mean Square Standard Deviation (RMSSD)
(Pus-powati, 2009).
2 1 1 1 21
)
(
n
x
x
RMSSD
m i n k ikArsitektur
Self Organizing Maps
TINJAUAN PUSTAKA
,
Jaringan ini terdiri dari dua lapisan (layer), yaitu lapisan input dan lapisan
output. Setiap neuron dalam lapisan output merepresentasikan kelas (cluster) dari
input yang diberikan.
General Regression Neural Network
(GRNN)
TINJAUAN PUSTAKA
,
Salah satu bentuk pengembangan dari model NN dengan fungsi aktifasi
adalah suatu fungsi estimator kernel Gaussian (Otok,2010). Dalam arsitektur
GRNN, output dari unit lapis tersembunyi
y
(x
)
dihitung dengan rumus pada
persamaan
n i ij ij ih
t
b
x
y
1)
(
.
.
)
(
dengan koefisien
ib
: bobot bias pada pengematan ke-i
)
,...,
,
(
1
1
n: nilai besaran-besaran bobot
)
(t
Arsitektur General Regression Neural Network
(GRNN)
TINJAUAN PUSTAKA
, ) (xi Pattern Layer Summation Layer
Input Lay
er
W
2W
1W
2Output Layer
W
1W
2W
1W
2W
2Ω
2Ω
1Y(x)
X
Ω
3Ψ
2Ψ
1
n i i n i i iD
D
Y
x
Y
1 2 2 1 2 22
exp
2
exp
)
(
)
(
)
(
2 i T i ix
x
x
x
D
Apparent Error Rates
(APER)
TINJAUAN PUSTAKA
, ) (xi ) (xi Salah satu untuk menilai suatu prosedur klasifikasi adalah menghitung
peluang kesalahan klasifikasi yang dinamakan Apparent Error Rates (APER),
didefinisikan dengan fraksi (proporsi) pengamatan pada sampel yang salah
diklasifikasikan oleh fungsi klasifikasi (Oktaviyanti dan Wulandari, 2010).
Tabulasi Silang
Kelompok
Aktual
Kelompok
Prediksi
Aktual
Total
1
2
1
n
11n
12n
12
n
21n
22n
2Sumber: Johnson et al, 1992.
100
n
n
n
n
%
APER
2 1 21 12x
TINJAUAN umum
,
Curah hujan merupakan ketinggian
air hujan yang terkumpul dalam
tempat yang datar, tidak menguap,
tidak meresap, dan tidak mengalir
Tjasjono (1999)
Di Atas Normal (A) jika nilai
perbandingannya rata-rata > 115
persen
Normal (N) jika nilai
perbandingan rata-rata antara
85-115 persen
Di Bawah Normal (B) jika nilai
perbandingannya rata-rata < 85
persen
Curah Hujan
Daerah yang pola hujan rata-ratanya
memiliki perbedaan yang jelas antara
periode musim kemarau dan musim
hujan (anonim_2).
TINJAUAN umum
,
ZOM Kabupaten Ngawi
ZOM 1
METODE PENELITIAN
,
Data sekunder pengamatan
intensitas curah hujan bulanan
di delapan belas lokasi pos
hujan di Kabupaten Ngawi
dengan periode 1989 hingga
2010.
.
Sumber Data
No Urut
Nama Stasiun Hujan
Koordinat DPL ( m ) Lintang Bujur 1 Mardiasri 07° 25' 41,2" 111° 24' 20,1" 69 2 Paron 07° 26' 14,5" 111° 23' 44,8" 67 3 Bekoh 07° 30' 01,8" 111° 18' 02,6" 160 4 Guyung 07° 30' 21,2" 111° 24' 36,8 72 5 Sambiroto 07° 26' 43,5" 111° 33' 17,1" 87 6 Karangjati 07° 27' 39,7" 111° 36' 47,8" 78 7 Kedung bendo 07° 23' 13,5" 111° 32' 33,2" 137 8 Padas 07° 25' 12,5" 111° 30' 15,9" 73 9 Ngawi 07° 24' 29,8" 111° 27' 22,7" 66 10 Kedunggalar 07° 24' 59,1" 111° 18' 45,1" 71 11 Begal 07° 28' 10,9" 111° 16' 15,1" 162 12 Jogorogo 07° 29' 27,8" 111° 15' 38,6" 248 13 Ngrambe 07° 30' 49,3" 111° 12' 21,1" 444 14 Kedung urung2 07° 30' 32,9" 111° 09' 41,1" 427 15 Tretes 07° 27' 13,2" 111° 10' 18,9" 227 16 Walikukun 07° 23' 06,1" 111° 13' 24,0 112 17 Mantingan 07° 23' 09,4" 111° 08' 59,9" 88 18 Ngale 07° 24' 32,2" 111° 22' 17,8" 62
METODE PENELITIAN
,
Metode Analisis
Mereduksi Data Curah Hujan Dengan Analisis Faktor Mendeskripsikan Data Curah
Hujan per Stasiun Data Curah Hujan
Uji Dependensi Variabel dengan Bartlett’s test
METODE PENELITIAN
,A
Pengelompokkan ZOM dengan metode SOM Pengelompokkan ZOM dengan metode Complete Linkage Peta Elevasi Kabupaten Ngawi Mengidentifikasi Anggota ZOM yangterbentuk
Mengevaluasi
ZOM yang terbentuk dari metode SOM
ZOM yang terbentuk dari metode Complete
Analisis dan pembahasan
,
Karakteristik Curah Hujan Kabupaten Ngawi
POS Minimum Maximum Mean Varian
MANTINGAN 32.09 312.86 168.7500 12457.350 NGAWI 20.31 318.66 159.2812 12416.501 NGRAMBE 10.86 330.10 150.6447 13176.275 TRETES 13.73 333.00 147.6390 12390.947 KEDUNG URUNG-URUNG 20.33 372.27 179.1247 18705.517 KEDUNG GALAR 12.00 255.30 134.3504 8042.355 WALIKUKUN 23.05 349.41 163.8932 13306.074 JOGOROGO 20.36 412.76 197.3838 21422.924 BEKOH 12.70 305.35 159.0253 13027.823 KEDUNGBENDO 5.33 359.44 135.0370 15839.130 NGALE 17.36 296.50 160.3925 11593.535 PARON 13.86 307.14 163.0850 12154.109 MARDIASRI 16.05 317.15 175.0558 13761.222 PADAS 7.29 263.67 148.0588 11072.250 KARANGJATI 22.00 451.64 205.5709 26133.683 SAMBIROTO 9.05 337.32 156.8926 14054.697 BEGAL 18.87 293.47 126.3271 8472.097 GUYUNG 12.59 370.29 175.8186 17386.599
Varian
terkecil
Varian
Tertinggi
Rata-rata
tertinggi
Rata-rata
terendah
Curah
hujan
terendah
Curah
hujan
tertinggi
Analisis dan pembahasan
,
Analisis Faktor
Uji Dependensi Variabel
dan Kecukupan Data
H
0: Variabel curah hujan pada bulan Januari hingga Desember saling
independen
(tidak berkorelasi).
H
1: Variabel curah hujan pada bulan Januari hingga Desember saling
dependen
(saling berkorelasi).
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy.
0.544
Bartlett's
Test
of
Sphericity
Approx.Chi-Square
127.776
Df
66
Sig.
0.00
P_value = 0, sehingga maka
hipotesis awal ditolak
nilai KMO sebesar 0.544. sehingga data curah hujan di Kabupaten Ngawi layak untuk di analisis lebih
Analisis dan pembahasan
,
Analisis Faktor
Loading Faktor dengan Rotasi Varimax
BULAN
Loading
Faktor 1 Faktor 2 Faktor 3 Faktor 4
JANUARI 0.635 0.697 0.149 -0.055 FEBRUARI 0.904 0.141 0.214 -0.097 MARET 0.889 -0.158 0.053 0.217 APRIL 0.607 0.192 -0.102 0.673 MEI 0.424 -0.136 0.797 0.329 JUNI 0.164 0.825 -0.047 0.219 JULI -0.005 0.168 -0.004 0.791 AGUSTUS -0.007 0.037 0.072 0.006 SEPTEMBER 0.038 0.206 0.918 -0.035 OKTOBER -0.209 0.782 0.270 0.260 NOVEMBER 0.046 0.233 0.323 0.798
DESEMBER
0.655
0.280
0.540
0.125
Total Varian Analisis Faktor
Komponen Persentase Varian Persentase Total Varian 1 25.515 25.515 2 17.351 42.866 3 16.969 59.835 4 16.785 76.620 5 10.441 87.061Anggota dan Nama Faktor
Faktor Bulan
Nama Faktor
1 Januari, Febuari, Maret
dan Desember.
Musim Penghujan
2 Juni dan Oktober Musim
Transisi
3 Mei, Agustus dan
September
4 April, Juli dan
November
Musim Kemarau
Analisis dan pembahasan
,
Pengelompokkan Zona Musim Kabupaten Ngawi
Pengelompokkan dengan Metode
Complete Linkage
Zona Musim Berdasarkan Metode Complete Linkage
Zona Musim
Stasiun Curah Hujan
ZOM 1 Mantingan, Mardiasi. Ngale, Paron, ZOM 2 Kedung Urung-Urung, Jogorogo, Karangjati dan Guyung. ZOM 3
Ngawi, Ngrambe, Tretes, Kedung Galar, Wali-kukun, Bekoh, Padas, Sambiroto dan Begal.
ZOM 4 Kedung Bendo.
Kriteria Zona Musim Hasil Pengelompokkan
Complete Linkage Zona Musim Intensitas Curah Hujan Persentase Curah Hujan Keterangan ZOM 1 166.821 103.318 Normal ZOM 2 189.474 117.349 Diatas normal ZOM 3 149.568 92.633 Normal ZOM 4 135.037 83.633 Dibawah
Analisis dan pembahasan
,
Peta Elevasi Zona Musim Hasil Pengelompokkan
Complete Linkage
Identifikasi Anggota ZOM Berdasarkan Elevasi (Ketinggian
Lokasi)
Lokasi
Stasiun Curah Hujan
Dataran
tinggi
Kedung Urung-Urung, Jogorogo, Ngrambe,
Begal, Bekoh, dan Tretes.
Dataran
Sedang
Mantingan, Walikukun, Kedung Bendo,
Sambiroto, Kedung Galar, Padas dan Guyung.
Dataran
Rendah
Ngawi, Ngale, Paron, Karangjati dan
Mardiasri.
Dataran Tinggi
Dataran Rendah
Dataran Sedang
66m
88m
Analisis dan pembahasan
,
Pengelompokkan Ulang ZOM Hasil
Complete Linkage
Peta Elevasi Pengelompokkan Ulang Zona Musim Hasil
Complete Linkage
Identifikasi Ulang Anggota ZOM Berdasarkan Ketinggian
Lokasi Stasiun Curah Hujan
Dataran tinggi
Kedung Urung-Urung, Jogorogo, Ngrambe dan Tretes.
Dataran Sedang
Mantingan, Walikukun, Bekoh, Kedung Bendo, Kedung Galar, Begal, Guyung, Sambiroto, Padas dan Karangjati.
Dataran Rendah
Ngawi, Ngale, Paron dan Mardiasri.
Stasiun dengan ketinggian DPL kurang dari 70 m cenderung
mengelompok di dataran rendah, sedangkan stasiun curah hujan
dengan ketinggian diatas 200 m cenderung mengelompok pada
dataran tinggi dan pada dataran sedang di dominasi stasiun
dengan ketinggian 71-200 m di atas permukaan laut.
3
2
2
Analisis dan pembahasan
,
Pengelompokkan ZOM Menggunakan
Self Organizing Maps
Peta Zona Musim Berdasarkan Metode SOM
Hasil Pengelompokkan dengan Metode SOM
Zona Musim
Stasiun Curah Hujan
ZOM 1 Mantingan, Ngale, Paron danMardiasri.
ZOM 2 Kedung Urung-Urung, Jogorogo, Karangjati dan Guyung.
ZOM 3 Ngawi, Ngrambe, Tretes, Kedung Galar dan Walikukun.
ZOM 4 Bekoh, Kedung Bendo, Padas, Sambiroto dan Begal.
Kriteria Zona Musim Hasil Pengelompokkan SOM
Zona Musim
Intensitas Curah Hujan
Persentase
curah hujan Keterangan
ZOM 1 166.821 103.318 Normal
ZOM 2 189.474 117.349 Diatas normal
ZOM 3 151.162 93.62 Normal
Analisis dan pembahasan
,
Peta Elevasi Zona Musim Hasil Pengelompokkan SOM
Identifikasi Anggota ZOM Berdasarkan Elevasi (Ketinggian Lokasi)
Lokasi Stasiun Curah Hujan
Dataran tinggi
Kedung Urung-Urung,
Jogorogo, Ngrambe,
Kedung Bendo dan
Tretes. Dataran
Sedang
Begal, Bekoh, Mantingan dan Wlikukun.
Dataran Rendah
Ngawi, Ngale, Paron, Karangjati, Sambiroto, Kedung Galar, Guyung, Padas dan Mardiasri.
87m
Analisis dan pembahasan
,
Pengelompokkan Ulang ZOM Hasil Metode SOM
Peta Elevasi Pengelompokkan Ulang Zona Musim Hasil SOM
Identifikasi Ulang Anggota ZOM Berdasarkan Kontur
Lokasi Stasiun Curah Hujan
Dataran tinggi
Kedung Urung-Urung, Jogorogo, Ngrambe dan Tretes.
Dataran Sedang
Mantingan, Walikukun, Bekoh, Kedung Bendo, Karangjati, Sambiroto, Guyung, Kedung Galar dan Begal.
Dataran Rendah
Ngawi, Ngale, Paron, Padas dan Mardiasri.
Dataran tinggi cenderung ditempati ZOM 2 dengan ketinggian
diatas 200 m
Dataran sedang merupakan lokasi dari stasiun-stasiun pada
ZOM 3 dan ZOM 4 dengan ketinggian antaara 88-130 meter untuk ZOM 3 dan ketinggian ZOM 4 antara 130-200 meter,
Dataran Rendah cenderung ditempati oleh ZOM 1 dengan
ketinggian dengan ketinggian kurang dari 88 meter
Stasiun dengan kriteria cenderung ekstrim dikelompokkan pada
Zona 4, yaitu Kedung Bendo(intensitas curah hujan paling
minimal) dan Begal (rata-rata curah hujan paling sedikit) diantara stasiun curah hujan lain
1
3
2
4
Analisis dan pembahasan
,
Pemilihan Parameter
Spread
Pada
General Regression
Neural Network
Nilai Spread dan RMSE GRNN
Spread RMSE 0.1 0 0.2 1.58x10-09 0.3 9.92x10-05 0.4 0.0047 0.5 0.0266 0.6 0.0659 0.7 0.1143 0.8 0.1679 0.9 0.2244 1.0 0.2802 Zona Musim
Stasiun Curah Hujan
ZOM 1 Mantingan, Ngale, Paron, Mardiasi. ZOM 2 Kedung Urung-Urung, Jogorogo,
Karangjati dan Guyung.
ZOM 3
Ngawi, Ngrambe, Tretes, Kedung Galar, Wali-kukun, Bekoh, Padas, Sambiroto dan Begal.
Analisis dan pembahasan
,
Evaluasi Ketepatan Klasifikasi ZOM dengan Metode
General Regression Neural Network
Klasifikasi ZOM Complete Linkage Tanpa Elevasi
GRUP
AKTUAL
GRUP PREDIKSI
TOTAL
1
2
3
4
1
4
0
0
0
4
2
0
4
0
0
4
3
0
0
9
0
9
4
0
0
0
1
1
TOTAL
4
4
9
1
18
%
0
100
18
0
APER
Ketepatan Klasifikasi ZOM hasil Pengelompokkan
Metode Complete Linkage Tanpa Elevasi adalah 100%.
Pengelompokkan ZOM Hasil
Complete Linkage
Analisis dan pembahasan
,
Evaluasi Ketepatan Klasifikasi ZOM dengan Metode
General Regression Neural Network
Klasifikasi ZOM Complete Linkage
dengan Elevasi GRUP AKTUAL GRUP PREDIKSI TOTAL 1 2 3 4 1 3 0 1 0 4 2 0 2 2 0 4 3 1 0 8 0 9 4 0 0 0 1 1 TOTAL 4 2 11 1 18 % 2 . 22 100 18 1 1 2 1 APER
Ketepatan Klasifikasi ZOM hasil Pengelompokkan
Metode Complete Linkage dengan Elevasi adalah 77,8%.
Mantingan
Karangjati
dan
Guyung
Ngawi
Pengelompokkan ZOM Hasil
Complete Linkage
Analisis dan pembahasan
,
Evaluasi Ketepatan Klasifikasi ZOM dengan Metode
General Regression Neural Network
Bekoh, Padas,
Sambiroto dan
Begal,
Pengelompokkan ZOM dengan Metode SOM
Tanpa Elevasi
GRUP AKTUAL
GRUP PREDIKSI TOTAL 1 2 3 4 1 4 0 0 0 4 2 0 4 0 0 4 3 0 0 5 4 9 4 0 0 0 1 1 TOTAL 4 4 5 5 18
%
2
.
22
100
18
4
APER
Ketepatan Klasifikasi ZOM hasil Pengelompokkan
Metode SOM Tanpa Elevasi adalah 77,8%.
Analisis dan pembahasan
,
Evaluasi Ketepatan Klasifikasi ZOM dengan Metode
General Regression Neural Network
Begal
Pengelompokkan ZOM dengan Metode SOM
Dengan Elevasi
GRUP AKTUAL GRUP PREDIKSI TOTAL 1 2 3 4 1 3 0 1 0 4 2 0 2 2 0 4 3 1 0 7 1 9 4 0 0 0 1 1 TOTAL 4 2 10 2 18%
8
.
27
100
18
1
1
2
1
APER
Sehingga nilai ketepatan klasifikasi unruk ZOM hasil
pengelompokkan menggunakan metode SOM yang telag
dimodifikasi dengan peta elevasi adalah 72,2%
Mantingan
Karangjati
dan Guyung
Ngawi
KESIMPULAN DAN SARAN
,
Kesimpulan
1. Pengelompokkan Zona Musim Kabupaten Ngawi meng-gunakan metode
Complete Linkage dan Self Organizing Maps menghasilkan empat Zona Musim.
2. Ketepatan klasifikasi terbaik dari metode General Rgression Neural Network
dengan spread 0.1 menunjukkan bahwa ZOM hasil pengelompokkan Complete
Linkage tanpa elevasi memiliki nilai ketepatan klasifikasi terbesar yaitu 100
persen, sedangkan pengelompokkan Complete Linkage dengan elevasi memiliki
ketepatan klasifikasi 77.8 persen, demikian juga untuk ZOM pembentukan awal
dengan metode Self Organizing maps, sedangkan ketepatan klasifikasi setelah
elevasi sebesar 72.2 persen.
Saran
Penentuan Zona Musim dengan elevasi hendaknya ditentukan berdasarkan metode
non linier agar diperoleh nilai ketepatan klasifikasi tinggi dan akurat serta dihasilkan
kelompok yang homogen. Metode pengelompokkan Self Organizing Maps
memberikan hasil kurang bagus pada pengelompokkan ZOM dengan variabel curah
hujan yang dipartisi berdasarkan bulan.
DAFTAR PUSTAKA
,
Alam, Dwi. 2010. Pengelompokkan Zona Musim (ZOM) dengan Agglomerative Hierarchical Clustering. Surabaya : Jurusan Statistika, Institut Teknologi Sepuluh Nopember.
Amrounche, A., dan Rouvaen, J.M. 2006. Efficient System for Speech Recognition Using General Regression Neural Network. International Journal of Intelligent Systems and Technologies. Vol. 1, No. 2.
Anonim_1. 2010. Zona Musim Wilayah Jawa Timur. [http:// www.staklimkarangploso.net] (On-line: August, 22th
2010).
Anonim_2. 2010. Pengertian Cuaca, Iklim, dan Musim. [http:// www.wikipedia.com] (On-line: August, 22th2010).
Anonim_3. 2010. Sifat Curah Hujan Curah Hujan. [http:// www.staklimkarangploso.net] (On-line: August, 22th
2010).
Asmara, Y.P.Y. 2009. Pemodelan Yield Curve Data Obligasi Pemerintah Indonesia Dengan Pendekatan General Regression Neural Network Dan Radial Basis Function Network. Surabaya : Jurusan Statistika, Institut Teknologi Sepuluh Nopember.
Baeur, M.M. (2000). General Regression Neural Network forTechnical Use. Thesis of University of Wisconsin-Madison.
Chitra , A. dan Uma, S. 2010. An Ensemble Model of Multiple Classifiers forTime Series Prediction. International Journal of Computer Theory and Engineering, Vol. 2, No. 3.
Dillon, W.R. dan Goldstein, M. 1984. Multivariate Analysis Methods and Applications. New York: John Willey and Sons.
Eksawati, R. 2009. Penggunaan Analisis Jaringan Syaraf (Neural Network Analysis) untuk Menyusun Model Curah Hujan di Kabupaten Ngawi Jawa Timur. Bogor, Institut Pertanian Bogor.
DAFTAR PUSTAKA
,
Johnson, N. And Wichern D. 1992. Applied Multivariate Statistical Analysis, 3thEdition. Prentice Hall, Englewood
Chiffs, New Jersey.
Khumaini, A. 2010. "Mewaspadai Serangan OPT Pasca Banjir". Sinar Tani (Madiun), 14 April
Kusumadewi, S. (2004). Membangun Jaringan Saraf Tiruan Menggunakan MATLAB dan EXCEL LINK. Morrison dan Donald F. 1990. Multivariate Statistical Methods third edition. Mc Graw Hill Inc.
Oktaviyanti, V., dan Wulandari, S.P. 2010. Pemetaan Wilayah Jawa Timur Berdasarkan Akses Sanitasi dan Air Bersih yang Layak. Surabaya: ITS Surabaya.
Otok, B.W. 2010. Pengembangan Model Machine Learning Ketahanan Pangan Melalui Pembentukan Zona Musim. Surabaya: ITS Surabaya.
Polat, O. dan Yildirim, T. 2008. Hand Geometry Identification Without Extraction By General Regression Neural Network: Expert System With Application 34:845-849.
Puspowati, T. 2009. Algoritma Self Organizing Maps (SOM) untuk Pengelompokkan Kecamatan di Kabupaten Malang Berdasarkan Indikator Pemerataan Pendidikan. Laporan Tesis Jurusan Statistika FMIPA ITS Surabaya.
Sebayang, R. 2009. Peramalan Nilai Saham Menggunakan Jaringan Syarat Tiruan Self-Organizing Maps (SOM). Bandung. ITTELKOM.
Sharma, S. 1996 . Applied Multivariate Techniques, John Wiley & Sons, Inc. Tjasjono, B. 1999. Klimatologi Umum. Bandung: ITB.
Utami, F.D.P. 2010. Pengelompokkan ZOM Dengan Fuzzy K-Means Clustering. Laporan Tugas Akhir Jurusan Statistika FMIPA ITS Surabaya.