Pengelompokkan Zona Musim Kabupaten Ngawi dengan Metode … · tanaman pangan dan jadwal panen mundur (Dinas Tanaman Pangan dan Hortikultura Kabupaten Ngawi, 2008) PRESENTASI TUGAS

Pendekatan Metode Self Organizing Maps (SOM) UntukPengelompokkan Zona Musim Kabupaten Ngawi dan

Evaluasi Ketepatan Zona Musim dengan Metode General Regression Neural Network (GRNN)

OlehAgnisa Bhakti Persada 1307 100 009

Dosen Pembimbing:Dr. Bambang Widjanarko Otok, M.Si

JURUSAN STATISTIKAFakultas Matematika dan Ilmu Pengetahuan Alam

Institut Teknologi Sepuluh NopemberSurabaya

2011

1PRESENTASI TUGAS AKHIR, 19 Januari 2011

2

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 ClusteringMetode

Parametrik

Metode NON-Parametrik(SOM dan

GRNN)

LATAR BELAKANG

PRESENTASI TUGAS AKHIR, 19 Januari 2011

3

SALAH SATU

LUMBUNG

PADI JATIM

72% dari luaswilayah Kab.Ngawi

berupa sawah, hutan dan

perkebunan(Ngawikab.go.id)

NGAWI

LATAR BELAKANGTahun 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 kerusakantanaman pangan dan jadwal panen

mundur(Dinas Tanaman Pangan dan Hortikultura

Kabupaten Ngawi, 2008)


4

RUMUSAN MASALAH

1. Bagaimana pengelompokkan ZOM Kabupaten Ngawi dengan metodeComplete Linkage dan Self Organizing Maps ?

2. Bagaimana ketepatan klasifikasi ZOM yang terbentuk dengan menggunakanmetode General Regression Neural Network (GRNN) ?

1. Mengetahui hasil pengelompokan ZOM Kabupaten Ngawi dengan metodeComplete Linkage dan Self Organizing Maps (SOM).

2. Mengevaluasi ketepatan ZOM yang dihasilkan dengan menggunakanmetode General Regression Neural Network.

TUJUAN PENELITIAN


5

MANFAAT PENELITIAN

1. Manfaat dalam bidang akademik dan keilmuan.Penelitian ini diharapkan dapat dijadikan salah satu referensi untuk penelitianselanjutnya yang berkaitan dengan penerapan metode SOM dan GRNN.

2. Manfaat bagi BMKGMemberikan informasi bagi BMKG dan masyarakat Ngawi khususnya dalamdeskripsi curah hujan serta membantu BMKG dalam mendapatkan metodeterbaik untuk penentuan ZOM dengan ketepatan klasifikasi yang tinggi.

BATASAN MASALAH

Menggunakan metode Complete Linkage dan Self Organizing Maps untukpengelompokkan ZOM Kabupaten Ngawi dan metode berbasis machine learning yaitu General Regression Neural Network (GRNN) untuk melihat ketepatan klasifikasiZOM. Hasil pengelompokkan akan dimodifikasi berdasarkan peta elevasi KabupatenNgawi.


Xnx1 = µ nx1+ lnxm F mx1 + n

6

ANALISIS FAKTOR

Metode analisis yang bertujuan untuk mendapatkan sejumlah faktor yang memiliki sifat-sifat yang mampu menerangkan semaksimal mungkinkeragaman yang ada dalam data (Dillon, 1984).

TINJAUAN PUSTAKA

Keterangan :

,

...

µi adalah nilai rata-rata pada variabel ke-i

X1, X2,..., Xn adalah variabel asal

F1, F2,..., Fm adalah faktor bersama (common factor)

lij adalah bobot (loading) dari variabel asal ke-i pada faktor ke-j.

1 , 2 , ... n

adalah spesific faktor


7

ASUMSI ANALISIS FAKTOR

TINJAUAN PUSTAKA,

, ...

1. Uji Barltlett (Kebebasan Antar Variabel)

H0 : I H1 : I

Statiistik uji :

ln6

5212

p

nhitung

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


8

ASUMSI ANALISIS FAKTOR

TINJAUAN PUSTAKA,

, ...

Hipotesis : H0: Data pengamatan layak untuk dianalisis. H1: Data pengamatan tidak layak untuk dianalisis. Daerah Penolakan : Tolak H0, 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

Kaiser Meyer Olkin (KMO) digunakan untuk mengukur kecukupan data


9

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).

Yi = pj2j21j1 X ......X X p

Dimana : Yi = nilai diskriminan ke-i, i = 1, 2, …, k-1 k = jumlah kelompok


10

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

sirisr xxxxd

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.


11

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).

dk(i,j) = maks (dki,dkj)

Besaran-besaran dki dan dkj berturut-turut adalah jarak antara tetangga terdekat kelompok-kelompok k dan i dan juga kelompok-kelompok k dan j


12

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:

jici wxwx min ji wxc minargatau

Keterangan : xi adalah data input wj adalah adalah bobot input ke-j c adalah cluster


13

TINJAUAN PUSTAKA,

Pada Iterasi SOM dilakukan update pada setiap titik data yang dimasukkan dengan menggunakan rumus

)()()()()1( twxthttwtw jiijjj

)(2exp)(

2

2

t

xxth

ji

ij

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

xx

RMSSD

m

i

n

k

ik


14

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.

Sumber : Sebayang, 2009


15

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 )(xy dihitung dengan rumus pada

persamaan

n

i

ijiji thbxy1

)(..)( dengan koefisien

ib : bobot bias pada pengematan ke-i

),...,,( 11 n : nilai besaran-besaran bobot )(th ij : fungsi Gaussian


16

Arsitektur General Regression Neural Network (GRNN)

TINJAUAN PUSTAKA,

)( ix

Pattern Layer Summation Layer

Input Layer W2

W1

W2 Output Layer

W1 W2

W1 W2

W2

Ω2

Ω1

Y(x)X

Ω3 Ψ2

Ψ1

n

i

i

n

i

i

i

D

DY

xY

12

2

12

2

2exp

2exp

)(

)()(2

i

T

ii xxxxD


17

Apparent Error Rates (APER)

TINJAUAN PUSTAKA,

)( ix

)( ix

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

Total Aktual

1 2 1 11n 12n n1

2 21n 22n n2

Sumber: Johnson et al, 1992.

100nn

nn% APER

21

2112 x


18

TINJAUAN umum,

Curah hujan merupakan ketinggianair hujan yang terkumpul dalamtempat yang datar, tidak menguap, tidak meresap, dan tidak mengalirTjasjono (1999)

Di Atas Normal (A) jika nilaiperbandingannya rata-rata > 115 persen

Normal (N) jika nilaiperbandingan rata-rata antara 85-115 persen

Di Bawah Normal (B) jika nilaiperbandingannya rata-rata < 85 persen

Curah Hujan

Daerah yang pola hujan rata-ratanyamemiliki perbedaan yang jelas antaraperiode musim kemarau dan musim

hujan (anonim_2).

Zona Musim (ZOM)


19

TINJAUAN umum,

ZOM Kabupaten Ngawi

ZOM 1

ZOM 2


20

METODE PENELITIAN,

Data sekunder pengamatanintensitas curah hujan bulanandi delapan belas lokasi pos hujan di Kabupaten Ngawidengan periode 1989 hingga2010.

.

Sumber DataNo

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


21

METODE PENELITIAN,

Metode Analisis

Mereduksi Data Curah Hujan Dengan Analisis Faktor

Mendeskripsikan Data Curah Hujan per Stasiun

Data Curah Hujan

Uji Dependensi Variabeldengan Bartlett’s test

A


22

METODE PENELITIAN,

A

PengelompokkanZOM denganmetode SOM

PengelompokkanZOM dengan

metode Complete Linkage

Peta Elevasi Kabupaten

Ngawi

Mengidentifikasi Anggota ZOM yang

terbentuk

Mengevaluasi ketepatan klasifikasiZOM dengan GRNN

ZOM yang terbentukdari metode SOM

ZOM yang terbentukdari metode Complete

Linkage


23

Analisis dan pembahasan,

Karakteristik Curah Hujan Kabupaten Ngawi

POS Minimum Maximum Mean VarianMANTINGAN 32.09 312.86 168.7500 12457.350NGAWI 20.31 318.66 159.2812 12416.501NGRAMBE 10.86 330.10 150.6447 13176.275TRETES 13.73 333.00 147.6390 12390.947KEDUNG URUNG-URUNG

20.33 372.27 179.1247 18705.517

KEDUNG GALAR 12.00 255.30 134.3504 8042.355WALIKUKUN 23.05 349.41 163.8932 13306.074JOGOROGO 20.36 412.76 197.3838 21422.924BEKOH 12.70 305.35 159.0253 13027.823KEDUNGBENDO 5.33 359.44 135.0370 15839.130NGALE 17.36 296.50 160.3925 11593.535PARON 13.86 307.14 163.0850 12154.109MARDIASRI 16.05 317.15 175.0558 13761.222PADAS 7.29 263.67 148.0588 11072.250KARANGJATI 22.00 451.64 205.5709 26133.683SAMBIROTO 9.05 337.32 156.8926 14054.697BEGAL 18.87 293.47 126.3271 8472.097GUYUNG 12.59 370.29 175.8186 17386.599

Varian terkecil

Varian Tertinggi

Rata-rata tertinggi

Rata-rata terendah

Curahhujan

terendah

Curahhujan

tertinggi


24


Analisis Faktor

Uji Dependensi Variabel

dan Kecukupan Data

H0 : Variabel curah hujan pada bulan Januari hingga Desember saling independen (tidak berkorelasi). H1 : 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 makahipotesis awal ditolak

nilai KMO sebesar 0.544. sehinggadata curah hujan di Kabupaten

Ngawi layak untuk di analisis lebihlanjut.


25


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


26


Pengelompokkan Zona Musim Kabupaten Ngawi

Pengelompokkan dengan Metode Complete Linkage

Zona Musim Berdasarkan Metode Complete Linkage

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.

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 normal

Peta Zona Musim dengan Metode Complete Linkage


27


Peta Elevasi Zona Musim Hasil PengelompokkanComplete 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

66m88m

28


Pengelompokkan Ulang ZOM Hasil Complete Linkage

Peta Elevasi Pengelompokkan Ulang Zona Musim HasilComplete Linkage

Identifikasi Ulang Anggota ZOM Berdasarkan Ketinggian


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

1

29


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

ZOM 4 145.068 89.846 Normal


30


Peta Elevasi Zona Musim Hasil Pengelompokkan SOM

Identifikasi Anggota ZOM Berdasarkan

Elevasi (Ketinggian Lokasi)


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

78m

31


Pengelompokkan Ulang ZOM Hasil Metode SOM

Peta Elevasi Pengelompokkan Ulang Zona MusimHasil SOM

Identifikasi Ulang Anggota ZOM Berdasarkan Kontur


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

2

32


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.

ZOM 4 Kedung Bendo.


33


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

%010018

0APER

Ketepatan Klasifikasi ZOM hasil Pengelompokkan

Metode Complete Linkage Tanpa Elevasi adalah 100%.

Pengelompokkan ZOM Hasil Complete Linkage Tanpa Elevasi


34




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

%2.2210018

1121

APER


Metode Complete Linkage dengan Elevasi adalah 77,8%.

Mantingan

Karangjatidan

Guyung

Ngawi

Pengelompokkan ZOM Hasil Complete Linkage Dengan Elevasi


35




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

%2.2210018

4APER


Metode SOM Tanpa Elevasi adalah 77,8%.


36




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

%8.2710018

1121

APER

Sehingga nilai ketepatan klasifikasi unruk ZOM hasil

pengelompokkan menggunakan metode SOM yang telag

dimodifikasi dengan peta elevasi adalah 72,2%

Mantingan

Karangjatidan Guyung

Ngawi


37

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 awaldengan 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.


38

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, InstitutTeknologi 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 CurahHujan di Kabupaten Ngawi Jawa Timur. Bogor, Institut Pertanian Bogor.


http://www.staklimkarangploso.net/

http://www.staklimkarangploso.net/

39

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 AprilKusumadewi, 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.


Documents

Pengelompokkan Zona Musim Kabupaten Ngawi dengan Metode … · tanaman pangan dan jadwal panen mundur (Dinas Tanaman Pangan dan Hortikultura Kabupaten Ngawi, 2008) PRESENTASI TUGAS