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 PRESENTASI TUGAS AKHIR, 19 Januari 2011

1

LATAR BELAKANG

HASIL EVALUASI BMKG

KINERJA BEBERAPA ZOM KURANG BAIK (TINGKAT AKURASI RENDAH) KARENA DATA PENGAMATAN TIDAK HOMOGEN

BMG (2003) menggunakan metode Complete Linkage

Metode Parametrik

PERGANTIAN ALAT PENGAMATAN (INSTRUMENTASI)

WIGENA (2006) menggunakan metode Ward’s dan centroid

Alam (2010) menggunakan metode Agglomerative Hierarchical Clustering

PRESENTASI TUGAS AKHIR, 19 Januari 2011

PERPINDAHAN LOKASI PENGAMATAN

Metode NONParametrik (SOM dan GRNN)

2

LATAR BELAKANG

SALAH SATU LUMBUNG PADI JATIM 72% dari luas wilayah Kab.Ngawi berupa sawah, hutan dan perkebunan (Ngawikab.go.id)

NGAWI

Tahun 2009 sebagai penghasil padi terbesar ke-5 se-JATIM (BPS, 2010)


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)

Akibat perubahan cuaca dan banjir, sehingga menyebabkan kerusakan tanaman pangan dan jadwal panen mundur (Dinas Tanaman Pangan dan Hortikultura Kabupaten Ngawi, 2008)

3

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) ?

TUJUAN PENELITIAN 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.


4

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. PRESENTASI TUGAS AKHIR, 19 Januari 2011

5

,

TINJAUAN PUSTAKA

...

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).

Xnx1 = µ nx1+ lnxm F mx1 + n 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


6

TINJAUAN PUSTAKA

, , ...

ASUMSI ANALISIS FAKTOR 1. Uji Barltlett (Kebebasan Antar Variabel) Menurut Morrison (1990), untukmenguji kebebasan antar variabel dapat dilakukan uji Bartlett dengan hipotesis sebagai berikut .

H0 :   I H1 :   I

Variabel-variabel pengamatan saling independen Variabel-variabel pengamatan saling dependen

Statiistik uji :  

2  hitung   n  1 

2 p  5  ln  6 

n : banyaknya pengamatan p : banyaknya variabel pengamatan  : matrik korelasi


7

,

TINJAUAN PUSTAKA

, ...

ASUMSI ANALISIS FAKTOR 2. Uji Kecukupan Data

Kaiser Meyer Olkin (KMO) digunakan untuk mengukur kecukupan data 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.


8

,

TINJAUAN PUSTAKA ANALISIS DISKRIMINAN

Analisis diskriminan merupakan metode statistika untuk mengelompokkan atau mengklasifikasikan sejumlah obyek kedalam beberapa kelompok berdasarkan beberapa variabel (Johnson danWichern, 1992).

Yi = 1 X1j   2 X 2j  ......   p X pj Dimana : Yi = nilai diskriminan ke-i, i = 1, 2, …, k-1 k = jumlah kelompok


9

,

TINJAUAN PUSTAKA Analisis Cluster hierarkhi

Definisi Clustering adalah metode mengelompokkan objek berbeda ke dalam grup-grup berdasarkan aturan kesamaan (similarity) atau ketidaksamaan dan jarak antar objek dengan homogenitas antara objek dalam satu grup adalah maksimal, dan minimal jika sebaliknya. 1. Jarak Euclidius Johnson et al. (1992) mengemukakan bahwa jarak euclidius berawal dari jarak antara dua objek. p

d ( xr , x s )   (( xri  x si ) 2 )

1 2

i 1


10

,

TINJAUAN PUSTAKA Analisis Cluster hierarkhi 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


11

,

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:



xi  wc  min xi  w j





atau c  arg min x  w i j



Keterangan : xi adalah data input wj adalah adalah bobot input ke-j c adalah cluster PRESENTASI TUGAS AKHIR, 19 Januari 2011

12

,

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



w j (t  1)  w j (t )   (t ) hij (t ) xi  w j (t )



Fungsi Gaussian  x x 2 i j   hij (t )  exp   2  2 (t )   

Indeks Validitas Penentuan cluster dapat dilakukan dengan menghitung indeks validitas, salah satu validitas yang digunakan adalah Root Mean Square Standard Deviation (RMSSD) (Pus1 powati, 2009). m n  2  2 ( x  x )    ik i 1 k 1  RMSSD   n 1    


13

,

TINJAUAN PUSTAKA Arsitektur Self Organizing Maps 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


14

TINJAUAN PUSTAKA

,

General Regression Neural Network (GRNN) 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

y ( x)   bi . ij .h ij (t ) i 1

dengan koefisien bi : bobot bias pada pengematan ke-i ( 1 , 1 ,...,  n ) : nilai besaran-besaran bobot h ij (t )


: fungsi Gaussian

15

( xi )

TINJAUAN PUSTAKA

,

Arsitektur General Regression Neural Network (GRNN) Pattern Layer Input Layer Ω1

W1

Summation Layer

W2 W2

W1

X

Ψ1

Output Layer

W2 Y(x)

Ω2 W1

W2 W2

Ω3


Ψ2

  Di2   Yi exp  2  2  i 1   Y ( x)  n   Di2   exp  2  i 1  2  n

Di2  ( x  xi ) T ( x  xi )

16

( xi ) ( xi )

,

TINJAUAN PUSTAKA

Apparent Error Rates (APER) 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 Total Kelompok Prediksi Aktual Aktual 1 2 n 12 n 11 n1 1 n 21 n 22 2 n2 Sumber: Johnson et al, 1992.


n 12  n 21 APER %   x100 n1  n 2

17

,

TINJAUAN umum Curah Hujan Curah hujan merupakan ketinggian air hujan yang terkumpul dalam tempat yang datar, tidak menguap, tidak meresap, dan tidak mengalir Tjasjono (1999)

Zona Musim (ZOM)

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

Normal (N) jika nilai perbandingan rata-rata antara 85115 persen Di Bawah Normal (B) jika nilai perbandingannya rata-rata < 85 persen

Daerah yang pola hujan rata-ratanya memiliki perbedaan yang jelas antara periode musim kemarau dan musim hujan (anonim_2).


18

,

TINJAUAN umum ZOM Kabupaten Ngawi

ZOM 2

ZOM 1


19

METODE PENELITIAN

,

Sumber Data Data sekunder pengamatan intensitas curah hujan bulanan di delapan belas lokasi pos hujan di Kabupaten Ngawi dengan periode 1989 hingga 2010.

.


Koordinat No Urut 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

DPL

Nama Stasiun Hujan Mardiasri Paron Bekoh Guyung Sambiroto Karangjati Kedung bendo Padas Ngawi Kedunggalar Begal Jogorogo Ngrambe Kedung urung2 Tretes Walikukun Mantingan Ngale

Lintang 07° 25' 41,2" 07° 26' 14,5" 07° 30' 01,8" 07° 30' 21,2" 07° 26' 43,5" 07° 27' 39,7" 07° 23' 13,5" 07° 25' 12,5" 07° 24' 29,8" 07° 24' 59,1" 07° 28' 10,9" 07° 29' 27,8" 07° 30' 49,3" 07° 30' 32,9" 07° 27' 13,2" 07° 23' 06,1" 07° 23' 09,4" 07° 24' 32,2"

Bujur 111° 24' 20,1" 111° 23' 44,8" 111° 18' 02,6" 111° 24' 36,8 111° 33' 17,1" 111° 36' 47,8" 111° 32' 33,2" 111° 30' 15,9" 111° 27' 22,7" 111° 18' 45,1" 111° 16' 15,1" 111° 15' 38,6" 111° 12' 21,1" 111° 09' 41,1" 111° 10' 18,9" 111° 13' 24,0 111° 08' 59,9" 111° 22' 17,8"

(m) 69 67 160 72 87 78 137 73 66 71 162 248 444 427 227 112 88 62

20

,

METODE PENELITIAN Metode Analisis

Data Curah Hujan Mendeskripsikan Data Curah Hujan per Stasiun Uji Dependensi Variabel dengan Bartlett’s test

Mereduksi Data Curah Hujan Dengan Analisis Faktor

A


21

,

METODE PENELITIAN A Pengelompokkan ZOM dengan metode SOM

Pengelompokkan ZOM dengan metode Complete Linkage

Peta Elevasi Kabupaten Ngawi

Mengidentifikasi Anggota ZOM yang terbentuk

ZOM yang terbentuk dari metode SOM

ZOM yang terbentuk dari metode Complete Linkage

Mengevaluasi ketepatan klasifikasi ZOM dengan GRNN


22

Analisis dan pembahasan

,

Karakteristik Curah Hujan Kabupaten Ngawi

Curah hujan terendah Curah hujan tertinggi

POS Minimum MANTINGAN 32.09 NGAWI 20.31 NGRAMBE 10.86 TRETES 13.73 KEDUNG URUNG20.33 URUNG KEDUNG GALAR 12.00 WALIKUKUN 23.05 JOGOROGO 20.36 BEKOH 12.70 KEDUNGBENDO 5.33 NGALE 17.36 PARON 13.86 MARDIASRI 16.05 PADAS 7.29 KARANGJATI 22.00 SAMBIROTO 9.05 BEGAL 18.87 GUYUNG 12.59


Maximum 312.86 318.66 330.10 333.00

Mean 168.7500 159.2812 150.6447 147.6390

Varian 12457.350 12416.501 13176.275 12390.947

372.27

179.1247

18705.517

255.30 349.41 412.76 305.35 359.44 296.50 307.14 317.15 263.67 451.64 337.32 293.47 370.29

134.3504 163.8932 197.3838 159.0253 135.0370 160.3925 163.0850 175.0558 148.0588 205.5709 156.8926 126.3271 175.8186

8042.355 13306.074 21422.924 13027.823 15839.130 11593.535 12154.109 13761.222 11072.250 26133.683 14054.697 8472.097 17386.599

Varian terkecil

Rata-rata tertinggi Varian Tertinggi Rata-rata terendah 23

,

Analisis dan pembahasan Analisis Faktor Uji Dependensi Variabel dan Kecukupan Data H0 : Variabel curah hujan pada bulan Januari hingga Desember saling (tidak berkorelasi). H1 : Variabel curah hujan pada bulan Januari hingga Desember saling (saling berkorelasi). Kaiser-Meyer-Olkin Measure of Sampling 0.544 Adequacy. Bartlett's Test Sphericity

of Approx.Chi-Square Df Sig.

127.776 66

independen dependen

nilai KMO sebesar 0.544. sehingga data curah hujan di Kabupaten Ngawi layak untuk di analisis lebih lanjut.

0.00

P_value = 0, sehingga maka hipotesis awal ditolak


24


,

Analisis Faktor Total Varian Analisis Faktor

Loading Faktor dengan Rotasi Varimax BULAN JANUARI FEBRUARI MARET APRIL MEI JUNI JULI AGUSTUS SEPTEMBER OKTOBER NOVEMBER

Faktor 1 0.635 0.904 0.889 0.607 0.424 0.164 -0.005 -0.007 0.038 -0.209 0.046

DESEMBER

0.655

Loading Faktor 2 Faktor 3 0.697 0.149 0.141 0.214 -0.158 0.053 0.192 -0.102 -0.136 0.797 -0.047 0.825 0.168 -0.004 0.037 0.072 0.206 0.918 0.270 0.782 0.233 0.323

0.280


0.540

Faktor 4 -0.055 -0.097 0.217 0.673 0.329 0.219 0.791 0.006 -0.035 0.260 0.798

0.125

Komponen 1 2 3 4 5

Persentase Varian 25.515 17.351 16.969 16.785 10.441

Persentase Total Varian 25.515 42.866 59.835 76.620 87.061

Anggota dan Nama Faktor Faktor 1 2 3 4

Bulan Januari, Febuari, Maret dan Desember. Juni dan Oktober Mei, Agustus dan September April, Juli dan November

Nama Faktor Musim Penghujan Musim Transisi Musim Kemarau

25

,

Analisis dan pembahasan Pengelompokkan Zona Musim Kabupaten Ngawi Pengelompokkan dengan Metode Complete Linkage Zona Musim Berdasarkan Metode Complete

Linkage

Zona Musim ZOM 1 ZOM 2 ZOM 3 ZOM 4

Stasiun Curah Hujan Mantingan, Mardiasi.

Ngale,

Paron,

Kedung Urung-Urung, Jogorogo, Karangjati dan Guyung. Ngawi, Ngrambe, Tretes, Kedung Galar, Wali-kukun, Bekoh, Padas, Sambiroto dan Begal. Kedung Bendo.

Kriteria Zona Musim Hasil Pengelompokkan Complete Linkage Zona Musim ZOM 1 ZOM 2 ZOM 3 ZOM 4

Intensitas Curah Hujan 166.821 189.474 149.568

Persentase Curah Hujan 103.318 117.349 92.633

135.037

83.633

Keterangan Normal Diatas normal Normal Dibawah normal

Peta Zona Musim dengan Metode Complete Linkage


26


,

Dataran Sedang 88m

66m Identifikasi Anggota ZOM Berdasarkan Elevasi (Ketinggian Lokasi)

Lokasi Dataran tinggi Dataran Sedang Dataran Dataran Rendah Rendah

Stasiun Curah Hujan Kedung Urung-Urung, Jogorogo, Ngrambe, Begal, Bekoh, dan Tretes. Mantingan, Walikukun, Kedung Bendo, Sambiroto, Kedung Galar, Padas dan Guyung. Ngawi, Ngale, Paron, Karangjati dan Mardiasri.

Dataran Tinggi Peta Elevasi Zona Musim Hasil Pengelompokkan Complete Linkage


27


,

Pengelompokkan Ulang ZOM Hasil Complete Linkage 1

Identifikasi Ulang Anggota ZOM Berdasarkan Ketinggian Lokasi Stasiun Curah Hujan Dataran Kedung Urung-Urung, Jogorogo, Ngrambe tinggi dan Tretes. Dataran Mantingan, Walikukun, Bekoh, Kedung Sedang Bendo, Kedung Galar, Begal, Guyung, Sambiroto, Padas dan Karangjati. Dataran Ngawi, Ngale, Paron dan Mardiasri. Rendah

3

2 2

Peta Elevasi Pengelompokkan Ulang Zona Musim Hasil Complete Linkage


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.

28

,

Analisis dan pembahasan Pengelompokkan ZOM Menggunakan Self Organizing Maps Hasil Pengelompokkan dengan Metode SOM Zona Musim ZOM 1 ZOM 2 ZOM 3 ZOM 4

Stasiun Curah Hujan Mantingan, Ngale, Paron danMardiasri. Kedung Urung-Urung, Jogorogo, Karangjati dan Guyung. Ngawi, Ngrambe, Tretes, Kedung Galar dan Walikukun. Bekoh, Kedung Bendo, Padas, Sambiroto dan Begal.

Kriteria Zona Musim Hasil Pengelompokkan SOM Zona Musim ZOM 1 ZOM 2 ZOM 3 ZOM 4

Intensitas Curah Hujan 166.821 189.474 151.162 145.068

Persentase curah hujan 103.318 117.349 93.62 89.846

Keterangan Normal Diatas normal Normal Normal

Peta Zona Musim Berdasarkan Metode SOM


29

,


87m

Identifikasi Anggota ZOM Berdasarkan Elevasi (Ketinggian Lokasi)

Lokasi Dataran tinggi

78m

Dataran Sedang Dataran Rendah

Stasiun Curah Hujan Kedung Urung-Urung, Jogorogo, Ngrambe, Kedung Bendo dan Tretes. Begal, Bekoh, Mantingan dan Wlikukun. Ngawi, Ngale, Paron, Karangjati, Sambiroto, Kedung Galar, Guyung, Padas dan Mardiasri.

Peta Elevasi Zona Musim Hasil Pengelompokkan SOM


30


,

Pengelompokkan Ulang ZOM Hasil Metode SOM Identifikasi Ulang Anggota ZOM Berdasarkan Kontur

1

Lokasi Dataran tinggi Dataran Sedang

3 4

2 2

Peta Elevasi Pengelompokkan Ulang Zona Musim Hasil SOM


Dataran Rendah

Stasiun Curah Hujan Kedung Urung-Urung, Jogorogo, Ngrambe dan Tretes. Mantingan, Walikukun, Bekoh, Kedung Bendo, Karangjati, Sambiroto, Guyung, Kedung Galar dan Begal. 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

31

,

Analisis dan pembahasan Pemilihan Parameter Spread Pada General Regression

Neural Network Nilai Spread dan RMSE GRNN

Spread 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

RMSE 0 1.58x10-09 9.92x10-05 0.0047 0.0266 0.0659 0.1143 0.1679 0.2244 0.2802


Zona Musim ZOM 1 ZOM 2 ZOM 3 ZOM 4

Stasiun Curah Hujan Mantingan, Ngale, Paron, Mardiasi. Kedung Urung-Urung, Jogorogo, Karangjati dan Guyung. Ngawi, Ngrambe, Tretes, Kedung Galar, Wali-kukun, Bekoh, Padas, Sambiroto dan Begal. Kedung Bendo.

32

,

Analisis dan pembahasan Evaluasi Ketepatan Klasifikasi ZOM dengan Metode

General Regression Neural Network Pengelompokkan ZOM Hasil Complete Linkage Tanpa Elevasi Klasifikasi ZOM Complete Linkage Tanpa Elevasi

GRUP AKTUAL

1 4 0 0 0 4

1 2 3 4 TOTAL

APER 

GRUP PREDIKSI 2 3 0 0 4 0 0 9 0 0 4 9

4 0 0 0 1 1

TOTAL 4 4 9 1 18

0 100  0% 18

Ketepatan Klasifikasi ZOM hasil Pengelompokkan Metode Complete Linkage Tanpa Elevasi adalah 100%.


33

,

Analisis dan pembahasan Evaluasi Ketepatan Klasifikasi ZOM dengan Metode

General Regression Neural Network

Pengelompokkan ZOM Hasil Complete Linkage Dengan Elevasi Mantingan

Klasifikasi ZOM Complete Linkage dengan Elevasi GRUP AKTUAL 1 2 3 4 TOTAL

APER 

1 3 0 1 0 4

GRUP PREDIKSI 2 3 0 1 2 2 0 8 0 0 2 11

4 0 0 0 1 1

TOTAL 4 4 9 1 18

Karangjati dan Guyung

1 2 11 100  22.2% 18

Ngawi

Ketepatan Klasifikasi ZOM hasil Pengelompokkan Metode Complete Linkage dengan Elevasi adalah 77,8%.


34


,

Evaluasi Ketepatan Klasifikasi ZOM dengan Metode

General Regression Neural Network Pengelompokkan ZOM dengan Metode SOM Tanpa Elevasi GRUP AKTUAL 1 2 3 4 TOTAL

APER 

1 4 0 0 0 4

GRUP PREDIKSI 2 3 0 0 4 0 0 5 0 0 4 5

TOTAL 4 0 0 4 1 5

4 4 9 1 18

Bekoh, Padas, Sambiroto dan Begal,

4  100  22.2% 18

Ketepatan Klasifikasi ZOM hasil Pengelompokkan Metode SOM Tanpa Elevasi adalah 77,8%.


35


,

Evaluasi Ketepatan Klasifikasi ZOM dengan Metode

General Regression Neural Network Pengelompokkan ZOM dengan Metode SOM Dengan Elevasi GRUP AKTUAL 1 2 3 4 TOTAL

Ngawi

APER 

1 3 0 1 0 4

GRUP PREDIKSI 2 3 0 1 2 2 0 7 0 0 2 10

Mantingan 4 0 0 1 1 2

TOTAL 4 4 9 1 18

Karangjati dan Guyung Begal

1 2 11  100  27.8% 18

Sehingga nilai ketepatan klasifikasi unruk ZOM hasil pengelompokkan menggunakan metode SOM yang telag dimodifikasi dengan peta elevasi adalah 72,2%


36

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. PRESENTASI TUGAS AKHIR, 19 Januari 2011

37

,

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 WisconsinMadison. 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.


38

,

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.


39

Pendekatan Metode Self Organizing Maps

Recommend Documents