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
PERGANTIAN ALAT
PENGAMATAN
(INSTRUMENTASI)
KINERJA BEBERAPA
ZOM KURANG BAIK
HASIL EVALUASI (TINGKAT AKURASI PERPINDAHAN
RENDAH) KARENA LOKASI
BMKG DATA PENGAMATAN PENGAMATAN
TIDAK HOMOGEN

BMG (2003) WIGENA (2006)

menggunakan metode menggunakan metode
Complete Linkage Wards dan centroid
Metode NON-
Alam (2010) menggunakan metode Agglomerative Parametrik
Metode Hierarchical Clustering (SOM dan
Parametrik GRNN)

PRESENTASI TUGAS AKHIR, 19 Januari 2011 2

 LATAR BELAKANG Tahun 2007, tingkat
produktivitas padi di
ngawi (55,02 kw/ha) lebih
tinggi dibandingkan
produktivitas jatim
SALAH SATU (54,45kw/ha)
LUMBUNG (Dinas pertanian pangan
jatim, 2009)
PADI JATIM

72% dari luas Tahun 2000 sebagai penghasil

wilayah Kab.Ngawi padi terbesar ke-4 se-JATIM
berupa sawah, (BPS, dalam angka Kab.Ngawi
hutan dan NGAWI 2007)
perkebunan
(Ngawikab.go.id)

Akibat perubahan cuaca dan banjir,

sehingga menyebabkan kerusakan
Tahun 2009 sebagai
tanaman pangan dan jadwal panen
penghasil padi terbesar
mundur
ke-5 se-JATIM
(Dinas Tanaman Pangan dan Hortikultura
(BPS, 2010)
Kabupaten Ngawi, 2008)

PRESENTASI TUGAS AKHIR, 19 Januari 2011 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.

PRESENTASI TUGAS AKHIR, 19 Januari 2011

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 = nx1+ lnxm F mx1 + n

Keterangan :

i 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

PRESENTASI TUGAS AKHIR, 19 Januari 2011

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 Variabel-variabel pengamatan saling independen
H1 : I Variabel-variabel pengamatan saling dependen
Statiistik uji :
2 p 5
hitung
2
n 1 ln
6
n : banyaknya pengamatan
p : banyaknya variabel pengamatan
: matrik korelasi

PRESENTASI TUGAS AKHIR, 19 Januari 2011

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.

PRESENTASI TUGAS AKHIR, 19 Januari 2011

8
 ,
TINJAUAN PUSTAKA

ANALISIS DISKRIMINAN

Analisis diskriminan merupakan metode statistika untuk mengelompokkan atau

mengklasifikasikan sejumlah obyek kedalam beberapa kelompok berdasarkan bebe-
rapa 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

PRESENTASI TUGAS AKHIR, 19 Januari 2011

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 den-
gan homogenitas antara objek dalam satu grup adalah maksimal, dan minimal jika sebalik-
nya.
1. Jarak Euclidius
Johnson et al. (1992) mengemukakan bahwa jarak euclidius
berawal dari jarak antara dua objek.
1
p
d ( xr , x s ) (( xri x si ) 2 )
2

i 1

PRESENTASI TUGAS AKHIR, 19 Januari 2011

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

PRESENTASI TUGAS AKHIR, 19 Januari 2011

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 (t )
2

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). 1
m n

2
ik
2
( x x )
RMSSD i 1 k 1

n 1

PRESENTASI TUGAS AKHIR, 19 Januari 2011

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

PRESENTASI TUGAS AKHIR, 19 Januari 2011

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

PRESENTASI TUGAS AKHIR, 19 Januari 2011

15
( xi )

,
TINJAUAN PUSTAKA
Arsitektur General Regression Neural Network (GRNN)

Pattern Layer Summation Layer

Input Layer W2
1
W1
W2 1 Output Layer n
Di2
W1 W2 Yi exp
2

Y ( x)
i 1 2
X 2 Y(x) n Di2
exp
2
W1 W2 i 1 2
W2
3 Di2 ( x xi ) T ( x xi )
2

PRESENTASI TUGAS AKHIR, 19 Januari 2011

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 n 12 n 21
Aktual
1 2 APER % x100
1 n 11 n 12 n1
n1 n 2
2 n 21 n 22 n2
Sumber: Johnson et al, 1992.

PRESENTASI TUGAS AKHIR, 19 Januari 2011

17
 ,
TINJAUAN umum
Di Atas Normal (A) jika nilai
perbandingannya rata-rata > 115
Curah Hujan persen
Curah hujan merupakan ketinggian
air hujan yang terkumpul dalam Normal (N) jika nilai
tempat yang datar, tidak menguap, perbandingan rata-rata antara 85-
tidak meresap, dan tidak mengalir 115 persen
Tjasjono (1999) Di Bawah Normal (B) jika nilai
perbandingannya rata-rata < 85
Zona Musim (ZOM) persen

Daerah yang pola hujan rata-ratanya

memiliki perbedaan yang jelas antara
periode musim kemarau dan musim
hujan (anonim_2).

PRESENTASI TUGAS AKHIR, 19 Januari 2011

18
 ,
TINJAUAN umum

ZOM Kabupaten Ngawi

ZOM 2

ZOM 1

PRESENTASI TUGAS AKHIR, 19 Januari 2011

19
 ,
METODE PENELITIAN

Sumber Data Koordinat DPL

No Nama Stasiun Hujan
Data sekunder pengamatan Urut Lintang Bujur (m)
intensitas curah hujan bulanan 1 Mardiasri 07 25' 41,2" 111 24' 20,1" 69
2 Paron 07 26' 14,5" 111 23' 44,8" 67
di delapan belas lokasi pos 3 Bekoh 07 30' 01,8" 111 18' 02,6" 160
hujan di Kabupaten Ngawi 4 Guyung 07 30' 21,2" 111 24' 36,8 72
dengan periode 1989 hingga 5 Sambiroto 07 26' 43,5" 111 33' 17,1" 87
6 Karangjati 07 27' 39,7" 111 36' 47,8" 78
2010. 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

PRESENTASI TUGAS AKHIR, 19 Januari 2011

20
 ,
METODE PENELITIAN

Metode Analisis

Data Curah
Hujan

Mendeskripsikan Data Curah

Hujan per Stasiun

Uji Dependensi Variabel

dengan Bartletts test

Mereduksi Data Curah Hujan

Dengan Analisis Faktor

PRESENTASI TUGAS AKHIR, 19 Januari 2011

21
 ,
METODE PENELITIAN

Pengelompokkan Pengelompokkan Peta Elevasi

ZOM dengan ZOM dengan Kabupaten
metode SOM metode Complete Ngawi
Linkage

Mengidentifikasi
Anggota ZOM yang
terbentuk

ZOM yang terbentuk ZOM yang terbentuk

dari metode SOM dari metode Complete
Linkage

Mengevaluasi
ketepatan klasifikasi
ZOM dengan GRNN

PRESENTASI TUGAS AKHIR, 19 Januari 2011

22
 , Analisis dan pembahasan

Karakteristik Curah Hujan Kabupaten Ngawi

POS Minimum Maximum Mean Varian
Varian
MANTINGAN 32.09 312.86 168.7500 12457.350
NGAWI 20.31 318.66 159.2812 12416.501 terkecil
NGRAMBE 10.86 330.10 150.6447 13176.275
TRETES 13.73 333.00 147.6390 12390.947
KEDUNG URUNG-
20.33 372.27 179.1247 18705.517
URUNG
KEDUNG GALAR 12.00 255.30 134.3504 8042.355
Curah WALIKUKUN 23.05 349.41 163.8932 13306.074
Rata-rata
hujan JOGOROGO 20.36 412.76 197.3838 21422.924
BEKOH 12.70 305.35 159.0253 13027.823 tertinggi
terendah KEDUNGBENDO 5.33 359.44 135.0370 15839.130
Curah NGALE 17.36 296.50 160.3925 11593.535 Varian
PARON 13.86 307.14 163.0850 12154.109
hujan Tertinggi
MARDIASRI 16.05 317.15 175.0558 13761.222
tertinggi 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 Rata-rata
BEGAL 18.87 293.47 126.3271 8472.097
terendah
GUYUNG 12.59 370.29 175.8186 17386.599

PRESENTASI TUGAS AKHIR, 19 Januari 2011

23
 , Analisis dan pembahasan

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 nilai KMO sebesar 0.544. sehingga
Adequacy. 0.544 data curah hujan di Kabupaten
Ngawi layak untuk di analisis lebih
Bartlett's Test of Approx.Chi-Square 127.776 lanjut.
Sphericity Df 66
Sig.
0.00
P_value = 0, sehingga maka
hipotesis awal ditolak

PRESENTASI TUGAS AKHIR, 19 Januari 2011

24
 , Analisis dan pembahasan
Analisis Faktor

Total Varian Analisis Faktor

Loading Faktor dengan Rotasi Varimax Persentase Persentase
Loading Komponen Varian Total Varian
1 25.515 25.515
BULAN Faktor 1 Faktor 2 Faktor 3 Faktor 4
2 17.351 42.866
JANUARI 0.635 0.697 0.149 -0.055
3 16.969 59.835
FEBRUARI 0.904 0.141 0.214 -0.097 4 16.785 76.620
MARET 0.889 -0.158 0.053 0.217 5 10.441 87.061
APRIL 0.607 0.192 -0.102 0.673
MEI 0.424 -0.136 0.797 0.329 Anggota dan Nama Faktor
Nama
JUNI 0.164 0.825 -0.047 0.219 Faktor Bulan Faktor
JULI -0.005 0.168 -0.004 0.791 1 Januari, Febuari, Maret Musim
AGUSTUS -0.007 0.037 0.072 0.006 dan Desember. Penghujan
2 Juni dan Oktober Musim
SEPTEMBER 0.038 0.206 0.918 -0.035
3 Mei, Agustus dan Transisi
OKTOBER -0.209 0.782 0.270 0.260 September
NOVEMBER 0.046 0.233 0.323 0.798 4 April, Juli dan Musim
November Kemarau
DESEMBER 0.655 0.280 0.540 0.125

PRESENTASI TUGAS AKHIR, 19 Januari 2011

25
 , Analisis dan pembahasan

Pengelompokkan Zona Musim Kabupaten Ngawi

Pengelompokkan dengan Metode Complete Linkage
Zona Musim Berdasarkan Metode Complete
Linkage
Zona Stasiun Curah Hujan
Musim
Mantingan, Ngale, Paron,
ZOM 1 Mardiasi.
Kedung Urung-Urung, Jogorogo,
ZOM 2
Karangjati dan Guyung.
Ngawi, Ngrambe, Tretes, Kedung
ZOM 3 Galar, Wali-kukun, Bekoh, Padas,
Sambiroto dan Begal.
ZOM 4 Kedung Bendo.

Kriteria Zona Musim Hasil Pengelompokkan

Complete Linkage
Intensitas Persentase
Zona Curah Curah
Musim Hujan 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 Dibawah
135.037 83.633
normal
Peta Zona Musim dengan Metode Complete Linkage

PRESENTASI TUGAS AKHIR, 19 Januari 2011

26
 , Analisis dan pembahasan
Dataran Sedang

88m 66m
Identifikasi Anggota ZOM Berdasarkan Elevasi (Ketinggian
Lokasi)
Lokasi Stasiun Curah Hujan
Dataran Kedung Urung-Urung, Jogorogo, Ngrambe,
tinggi Begal, Bekoh, dan Tretes.
Dataran Mantingan, Walikukun, Kedung Bendo,
Sedang Sambiroto, Kedung Galar, Padas dan Guyung.
Dataran Ngawi, Ngale, Paron, Karangjati dan
Dataran Rendah Rendah Mardiasri.

Dataran Tinggi

Peta Elevasi Zona Musim Hasil Pengelompokkan

Complete Linkage

PRESENTASI TUGAS AKHIR, 19 Januari 2011

27
 , Analisis dan pembahasan

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.
3 Dataran Mantingan, Walikukun, Bekoh, Kedung
Sedang Bendo, Kedung Galar, Begal, Guyung,
Sambiroto, Padas dan Karangjati.
Dataran Ngawi, Ngale, Paron dan Mardiasri.
Rendah

2
Stasiun dengan ketinggian DPL kurang dari 70 m cenderung
2 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.
Peta Elevasi Pengelompokkan Ulang Zona Musim Hasil
Complete Linkage

PRESENTASI TUGAS AKHIR, 19 Januari 2011

28
 , Analisis dan pembahasan

Pengelompokkan ZOM Menggunakan Self Organizing Maps

Hasil Pengelompokkan dengan Metode SOM

Zona Stasiun Curah Hujan
Musim
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 Intensitas Persentase
Musim Curah Hujan 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

Peta Zona Musim Berdasarkan Metode SOM

PRESENTASI TUGAS AKHIR, 19 Januari 2011

29
 , Analisis dan pembahasan

Identifikasi Anggota ZOM Berdasarkan

87m Elevasi (Ketinggian Lokasi)
Lokasi Stasiun Curah Hujan
Dataran Kedung Urung-Urung,
tinggi Jogorogo, Ngrambe,
Kedung Bendo dan
Tretes.
Dataran Begal, Bekoh, Mantingan
78m Sedang dan Wlikukun.
Dataran Ngawi, Ngale, Paron,
Rendah Karangjati, Sambiroto,
Kedung Galar, Guyung,
Padas dan Mardiasri.

Peta Elevasi Zona Musim Hasil Pengelompokkan SOM

PRESENTASI TUGAS AKHIR, 19 Januari 2011

30
 , Analisis dan pembahasan

Pengelompokkan Ulang ZOM Hasil Metode SOM

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

Dataran tinggi cenderung ditempati ZOM 2 dengan ketinggian

diatas 200 m
2 Dataran sedang merupakan lokasi dari stasiun-stasiun pada
ZOM 3 dan ZOM 4 dengan ketinggian antaara 88-130 meter
2 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
Peta Elevasi Pengelompokkan Ulang Zona Musim Zona 4, yaitu Kedung Bendo(intensitas curah hujan paling
Hasil SOM minimal) dan Begal (rata-rata curah hujan paling sedikit) diantara
stasiun curah hujan lain

PRESENTASI TUGAS AKHIR, 19 Januari 2011

31
 , 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 Zona Stasiun Curah Hujan
Musim
0.5 0.0266
ZOM 1 Mantingan, Ngale, Paron, Mardiasi.
0.6 0.0659
Kedung Urung-Urung, Jogorogo,
0.7 0.1143 ZOM 2
Karangjati dan Guyung.
0.8 0.1679 Ngawi, Ngrambe, Tretes, Kedung Galar,
0.9 0.2244 ZOM 3 Wali-kukun, Bekoh, Padas, Sambiroto
dan Begal.
1.0 0.2802
ZOM 4 Kedung Bendo.

PRESENTASI TUGAS AKHIR, 19 Januari 2011

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 GRUP PREDIKSI
TOTAL
AKTUAL 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
APER 100 0%
18
Ketepatan Klasifikasi ZOM hasil Pengelompokkan
Metode Complete Linkage Tanpa Elevasi adalah 100%.

PRESENTASI TUGAS AKHIR, 19 Januari 2011

33
 , Analisis dan pembahasan
Evaluasi Ketepatan Klasifikasi ZOM dengan Metode
General Regression Neural Network
Pengelompokkan ZOM Hasil Complete Linkage
Dengan Elevasi
Klasifikasi ZOM Complete Linkage Mantingan
dengan Elevasi
GRUP GRUP PREDIKSI
TOTAL
AKTUAL 1 2 3 4 Karangjati
1 3 0 1 0 4 dan
2 0 2 2 0 4 Guyung
3 1 0 8 0 9
4 0 0 0 1 1
TOTAL 4 2 11 1 18
Ngawi
1 2 11
APER 100 22.2%
18

Ketepatan Klasifikasi ZOM hasil Pengelompokkan

Metode Complete Linkage dengan Elevasi adalah 77,8%.

PRESENTASI TUGAS AKHIR, 19 Januari 2011

34
 , Analisis dan pembahasan
Evaluasi Ketepatan Klasifikasi ZOM dengan Metode
General Regression Neural Network
Pengelompokkan ZOM dengan Metode SOM
Tanpa Elevasi
GRUP GRUP PREDIKSI TOTAL
AKTUAL 1 2 3 4
1 4 0 0 0 4
2 0 4 0 0 4 Bekoh, Padas,
3 0 0 5 4 9 Sambiroto dan
4 0 0 0 1 1
Begal,
TOTAL 4 4 5 5 18
4
APER 100 22.2%
18
Ketepatan Klasifikasi ZOM hasil Pengelompokkan
Metode SOM Tanpa Elevasi adalah 77,8%.

PRESENTASI TUGAS AKHIR, 19 Januari 2011

35
 , Analisis dan pembahasan
Evaluasi Ketepatan Klasifikasi ZOM dengan Metode
General Regression Neural Network
Pengelompokkan ZOM dengan Metode SOM
Dengan Elevasi
Mantingan
GRUP GRUP PREDIKSI
TOTAL
AKTUAL 1 2 3 4
1 3 0 1 0 4 Karangjati
2 0 2 2 0 4 dan Guyung
Ngawi 3 1 0 7 1 9
Begal
4 0 0 0 1 1
TOTAL 4 2 10 2 18
1 2 11
APER 100 27.8%
18
Sehingga nilai ketepatan klasifikasi unruk ZOM hasil
pengelompokkan menggunakan metode SOM yang telag
dimodifikasi dengan peta elevasi adalah 72,2%

PRESENTASI TUGAS AKHIR, 19 Januari 2011

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 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.

PRESENTASI TUGAS AKHIR, 19 Januari 2011

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.

PRESENTASI TUGAS AKHIR, 19 Januari 2011

39