Pendekatan Metode Self Organizing Maps

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 STATISTIKA

Fakultas 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, tingkat}

produktivitas 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

i

adalah nilai rata-rata pada variabel ke-i

X

1

, X

2

,..., X

n

adalah variabel asal

F

1

, F

2

,..., F

m

adalah faktor bersama (common factor)

l

ij

adalah 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

hitung

n : 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

=



₁

X

_1j





₂

X

_2j



...





_p

X

_pj

Dimana :

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 r

x

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 2

t

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 2

1

)

(

































  

n

x

x

RMSSD

m i n k ik

Arsitektur

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 i

h

t

b

x

y

1

)

(

.

.

)

(



_{dengan koefisien}

i

b

: 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

₂

W

₁

W

₂

Output Layer

W

₁

W

₂

W

₁

W

₂

W

₂

Ω

₂

Ω

₁

Y(x)

X

Ω

₃

_Ψ

₂

Ψ

₁





 











 











 



n i i n i i i

D

D

Y

x

Y

1 2 2 1 2 2

2

exp

2

exp

)

(





)

(

)

(

2 i T i i

x

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

11

n

12

n

1

2

n

21

n

22

n

2

Sumber: Johnson et al, 1992.

 

100

n

n

n

n

%

APER

2 1 21 12

x







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 yang

terbentuk

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 87.061

Anggota 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, 22th_2010).

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, 3th_{Edition. 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.