Pohon Regresi Curah Hujan Presentasi
Pohon Regresi Curah Hujan Presentasi
Latar Belakang
Kebutuhan informasi ramalan
iklim
Dampak negatif yang disebabkan oleh
faktor iklim
Oleh:
Dessy Budiyanti
1308 100 512
Dosen Pembimbing
Dr. Sutikno S.Si, M.Si
Manfaat Penelitian
Perumusan Masalah
Bagaimana memodelkan curah hujan dengan metode regresi
pohon di Kabupaten Ngawi serta hasil prakiraan curah hujan
bulanan menurut indikator ENSO dan DMI.
Tujuan
1. Menyusun model curah hujan dengan metode regresi pohon di
Kabupaten Ngawi.
2. Mengetahui kinerja hasil model regresi pohon, dengan kriteria
pemilihan model terbaik menggunakan RMSEp dan R-square
Batasan Masalah
Penelitian ini menggunakan data curah hujan bulanan di beberapa pos hujan
Kabupaten Ngawi tahun 1989-2008 yang diperoleh dari BMKG Karangploso
Malang. Indikator ENSO yang dipakai yaitu suhu permukaan laut (SST) terdiri
dari Nino 1.2, Nino 3, Nino 3.4 dan Nino 4, SLP (tekanan permukaan laut)
di Darwin, SLP di Tahiti dan indeks osilasi selatan (SOI) Tahiti-Darwin dan
DMI (dipole index osilation)
Penelitian sebelumnya
Firth L, Hazelton M.L,
dan Campbell E.P
(2005)
Mayasari (2003)
Metode lain
7/20/2010
Tahapan CART
Pembentukan pohon
2. Hanya terdapat satu pengamatan pada tiap simpul anak atau adanya
Menurut Tjasyono 1997 pengaruh El-Nino kuat pada daerah yang dipengaruhi
oleh sistem moonson, lemah pada daerah dengan sistem equatorial dan tidak jelas
pada daerah dengan sistem lokal.
Menurut Zifwen 1999 indikator indeks ENSO yang sering digunakan antara lain
tekanan permukaan laut atau SLP (Sea Level Preasure) Darwin (Australia),
tekanan permukaan laut Tahiti (Pasifik Selatan), suhu permukaan laut atau SST
(Sea Surface Temperature) Nino 1.2, Nino 3, Nino 4 dan Nino 3.4 yang
merupakan wilayah pengukuran suhu permukaan laut yang berada diantara pulau
Sulawesi dan Irian Jaya. Indikator indeks ENSO tersebut merupakan faktor-faktor
yang mempengaruhi iklim.
Sumber Data
Data yang digunakan dalam penelitian ini adalah data curah hujan bulanan
Kabupaten Ngawi yang diperoleh dari BMKG Karangploso Malang . Data
curah hujan bulanan meliputi 18 pos hujan yang akan dibagi kedalam 2 zona
musim, dengan periode tahun 1989-2008.
Variabel Penelitian
Variabel Respon
X2
X3
X4
X5
X6
X7
X8
Regresi Pohon
Model Optimal
7/20/2010
SOI
Darwin
Tahiti
500
Min
Maks
-8
626
133.28
526
1.815
1.113
1.063
1.163
0.890
0.698
0.883
1.064
-6.70
-2.90
-3.80
-2.16
-1.78
-1.60
-1.98
-2.81
-4
-3
Nino 12
-3
Nino 3
Nino 4
500
250
0
-3
-2.0
0.5
Nino 34
3.0
-1
DMI
500
4.40
3.90
2.70
4.13
3.68
1.47
2.80
3.37
250
0
-2
-2
SOI
Darwin
Tahiti
400
200
0
-8
-4
-3
Nino 12
Curah Hujan
Simpangan
baku
151.65
Curah Hujan
Variabel
250
-3
Nino 3
Nino 4
400
200
0
-3
-2.0
0.5
Nino 34
3.0
-1
DMI
400
200
0
-2
DMI
Nino 3.4
Nino 3.4
Nino 4
Nino 4
Nino 3
Nino 3
Nino 1.2
Nino 1.2
Tahiti
Tahiti
Darwin
Darwin
SOI
SOI
Curah hujan
ZOM 2
Curah hujan
ZOM 1
Curah
hujan
ZOM 2
0.903
0.000
0.042
0.528
-0.080
0.229
-0.010
0.878
0.044
0.509
-0.060
0.367
-0.122*
0.066
-0.087
0.191
-0.192*
0.000
0.078
0.243
-0.109*
0.102
0.017
0.794
0.066
0.323
-0.037
0.578
-0.147*
0.026
-0.085
0.202
-0.171*
0.010
-0.811
0.000
0.796
0.000
-0.418
0.000
-0.615
0.000
-0.652
0.000
-0.702
0.000
-0.381
0.000
-0.292
0.000
0.438
0.000
0.575
0.000
0.538
0.000
0.621
0.000
0.416
0.000
-2
400
350
300
250
200
150
100
50
0
Z OM 1
Z OM 2
Ja
-0.231
0.000
-0.414
0.000
-0.513
0.000
-0.510
0.000
-0.196
0.000
nu
ar
Fe
ua
br
ri
M
il
et
ar Ap r
ei
Ju
ni
Ju
li
A
st
gu
us
Se
r
r
r
r
be
be
b e ob e
e m k t pe m se m
O
e
pt
o
D
N
B ulan
0.816
0.000
0.319
0.000
0.605
0.000
0.333
0.000
0.665
0.000
0.925
0.000
0.459
0.000
0.864
0.000
0.328
0.000
-0.442
0.000
7/20/2010
Pembentukan Pohon
Pohon Regresi Optimal
No d e 1
DMI <= 0 .6 3 5
S TD = 1 5 2 .8 3 5
A v g = 1 6 9 .5 7 9
N = 228
No d e 2
TA HITI <= - 1 .2 5 0
S TD = 1 5 3 .3 7 2
A v g = 1 9 1 .6 0 5
N = 177
Te r min a l
No d e 1
S TD = 1 5 4 .5 0 9
A v g = 3 2 7 .9 4 1
N = 17
Pemilah utama
Te r min a l
No d e 4
S TD = 1 2 3 .5 3 5
A v g = 9 3 .1 3 7
N = 51
No d e 3
S O I <= - 0 .9 0 0
S TD = 1 4 5 .9 4 9
A v g = 1 7 7 .1 1 9
N = 160
Te r min a l
No d e 2
S TD = 1 2 3 .5 8 2
A v g = 1 1 5 .7 9 5
N = 44
Te r min a l
No d e 3
S TD = 1 4 7 .0 3 9
A v g = 2 0 0 .3 7 9
N = 116
Node 1
SOI <= -3.550
STD = 133.488
Avg = 160.553
N = 228
Pemilah utama
Terminal
Node 1
STD = 90.751
Avg = 370.000
N= 8
Node 2
SOI <= 1.150
STD = 128.508
Avg = 152.936
N = 220
Node 3
DMI <= 1.455
STD = 129.462
Avg = 134.642
N = 176
Node 4
NINO_12 <= -1.035
STD = 129.954
Avg = 145.968
N = 157
Terminal
Node 2
STD = 107.116
Avg = 75.379
N = 29
Terminal
Node 5
STD = 94.001
Avg = 226.114
N = 44
Terminal
Node 4
STD = 76.727
Avg = 41.053
N = 19
ZOM 1
Pohon regresi optimum
pada ZOM 2 memiliki
5 simpul terminal dan 3
simpul dalam, dengan
kedalaman sebesar 5
tingkatan.
Terminal
Node 3
STD = 129.345
Avg = 161.961
N = 128
ZOM 2
R square
ZOM 1
0.575
83.288
ZOM 2
0.218
130.538
RMSEP
Kesimpulan
Model pohon regresi optimal yang diperoleh pada ZOM 1 menghasilkan biaya
kesalahan terkecil (cross validated relative cost) sebesar 1 0.045 dengan nilai
resubstition relative cost sebesar 0,819 dan complexity sebesar 181837.656. Pohon
regresi optimum pada ZOM 1 memiliki 4 simpul terminal dan 3 simpul dalam,
dengan kedalaman sebesar 4 tingkatan. Variabel pemilah utamanya adalah DMI
kemudian terdapat juga variabel lainnya yang berpengaruh pada pembentukkan
pohon regresi yaitu variabel tekanan permukaan laut di Tahiti dan SOI TahitiDarwin.
Model pohon regresi optimal yang diperoleh pada ZOM 2 menghasilkan biaya
kesalahan terkecil (cross validated relative cost) sebesar 0.988 0.063 dengan
nilai resubstition relative cost sebesar 0.748 dan complexity sebesar 102846.492.
Pohon regresi optimum pada ZOM 2 memiliki 5 simpul terminal dan 3 simpul
dalam, dengan kedalaman sebesar 5 tingkatan. Variabel pemilah utamanya adalah
SOI Tahiti-Darwin kemudian terdapat juga variabel lainnya yang berpengaruh
pada pembentukkan pohon regresi yaitu variabel DMI dan suhu permukaan laut
Nino 12.
7/20/2010
Hasil yang diperoleh dari validasi model dengan menggunakn data testing pada
ZOM 1 nilai R square yang dihasilkan sebesar 0.575 dan nilai RMSE prediksinya
sebesar 83.288. Sedangkan untuk ZOM 2 nilai R square yang dihasilkan sebesar
0.218 dan nilai RMSE prediksinya sebesar 130.538.
Saran
Dalam penelitian ini masih banyak permasalahan yang belum dikaji secara
mendalam, oleh karena itu hasil ini dapat dibandingkan dengan metode lainnya.
Varibel prediktor dapat ditambahkan sehubungan dengan pengaruh curah hujan di
Kabupaten Ngawi.
DAFTAR PUSTAKA
Author (a), (2009), El-Nino Southern Oscillation (ENSO). http://kadarsah wordpress.com (tanggal akses : 6 Februari 2009)
Author (b), (2009), El-Nino Southern Oscillation (ENSO). http://bmg.go.id (tanggal akses : 6 Februari 2009)
Author (c), (2009), El-Nino Southern Oscillation (ENSO). http://www.e-dukasi.net (tanggal akses : 6 Februari 2009)
Author (d), (2009), Indikator indeks El-Nino Southern Oscillation (ENSO).
http://esminfo.prenhall.com/science/geoanimations/animations/26_NinoNina.html (tanggal akses : 6 Februari 2009)
Author (e), (2009), Indikator indeks El-Nino Southern Oscillation (ENSO). http://en.wikipedia.org/wiki/El_Nin%C3%Blo
(tanggal akses : 6 Februari 2009)
Breiman L., Friedman J.H., Olshen R.A., & Stone C.J. (1993). Classification And Regression Tress. New York, NY: Chapman And
Hall.
Estikaningrum, L. F. (2003). Penerapan metode klasifikasi berstruktur pohon biner pada prakiraan sifat curah hujan berdasarkan
indikator indeks ENSO (El-Nino Southern Oscillation) (Tugas akhir tidak dipublikasikan). Institut Teknologi Sepuluh
Nopember, Surabaya.
Firth, L., Hazelton. M. L., & Campbell, E. P. (2005). Predicting the Onset of Australian Winter Rainfall by Nonlinear
Classification. Journal of Climate (18), 772-781.
Komalasari, Wieta B. (2007). Metode Pohon Regresi Untuk ekploratori Data Dengan Peubah Yang Banyak Dan Kompleks. Jurnal
Informatika Pertanian, 16, 967-980.
Lewis, Roger J. (2000). An Introduction to Classification and Regression Tree (CART) Analysis. Presented at the 2000 Anual
Meeting Of Society For Academy Emergency Medice in San Francisco, California.
http://www.saem.org/download/lewis.pdf
Mayasari, S. D. (2003). Pemodelan curah hujan bulanan dengan metode regresi berstruktur pohon berdasarkan indikator indeks
ENSO (El-Nino Southern Oscillation) (Tugas akhir tidak dipublikasikan). Institut Teknologi Sepuluh Nopember, Surabaya.
Setyorini, U. E. (2005). Analisis variabel-variabel yang mempengaruhi IPK wisudawan ITS dengan metode regresi pohon (studi
kasus penerima program DUE-LIKE BATCH I) (Tugas akhir tidak dipublikasikan). Institut Teknologi Sepuluh Nopember,
Surabaya.
Usayana, I. G. N. B. (2006). Analisis variabel-variabel yang mempengaruhi besar emisi gas buang kendaraan berbahan bakar
bensin berdasarkan indikator karbon monoksida (CO) dengan metode regresi pohon (Tugas akhir tidak dipublikasikan).
Institut Teknologi Sepuluh Nopember, Surabaya.