Anda di halaman 1dari 30

Pendekatan Teori Informasi

Entropy Dalam Bidang Hidrologi


dan Sumber Daya Air

Kenapa Menggunakan
Pendekatan Entropy..?
Memungkinkan digunakan dengan
kondisi data yang sangat terbatas
(minim), yang tidak mungkin
dilakukan dengan metode
konvensional.
Karakteristik prinsip entropy
digunakan dengan sangat baik dan
sudah biasa untuk menganalisa
kejadian-kejadian yang mempunyai
probabilitas (Kusmulyono, 1994)

Aplikasi Metode Entropy Dalam Hidrologi dan Sumber Daya Air:


The Entropy Theory As A Tool For Modelling And Decision
Making In Environmental And Water Resources, (Vijay P
Singh, 1999),
Entropy Principles In The Prediction Of Water Quality
Values At Discontinued Monitoring Stations, (Kusmulyono,
1994),
Evaluation and Selection of Streamflow Network Stations
Using Entropy Methods (Sarlak, 2005)
Krasovskaia (1995) Quantification of the stability of river
flow regimes.
Prediction of Missing Streamflow Data using Principle of
Information Entropy ( Santosa B, 2014)

Menentukan variabilitas hujan, ( Santosa B, 2015)


dll

Entrop
y ..

Hukum II Termodinamika:

menyatakan bahwa pada kondisi normal semua


sistem yang dibiarkan tanpa gangguan
cenderung menjadi tak teratur, terurai, dan
rusak sejalan dengan waktu

Hukum II Termodinamika:

Termodinamika 2 adalah cara mendefinisikan proses alam ini dengan persamaan


dan perhitungan fisika. Hukum ini juga dikenal sebagai "Hukum Entropy".

Entropy adalah selang ketidakteraturan dalam suatu sistem. Entropy sistem


meningkat ketika keadaan teratur, tersusun dan terencana menjadi lebih tidak
teratur, tersebar dan tidak terencana.

Hukum Entropy menyatakan bahwa seluruh alam semesta bergerak menuju


keadaan yang semakin tidak teratur, tidak terencana, dan tidak terorganisir.

Shannon (1948) menggambarkan bahwa entropy adalah jumlah


ketidakpastian. Jadi, konsep entropy adalah ukuran ketidakpastian dan
ukuran informasi dalam probabilistik.
Menurut Shannon, informasi ini dicapai hanya bila ada ketidakpastian
tentang suatu peristiwa.
Informasi adalah sebuah ukuran ketidakpastian (entropy). Semakin besar
ketidakpastian, semakin besar informasi yang tersedia. Ketika sebuah
situasi dapat dipastikan kemungkinannya, maka informasi tidak ada
sama sekali.

Perkembangan Metode Entropy

Prinsip Of Maksimum Entropy (POME)


(Jaynes 1957),

Minimum Discrimination Of Information


(MDI) (kullback Leibler 1951),

Prinsip Of Maksimum Entropy (POME)


(maksimum entropy)
Pertama kali dikenalkan oleh Jaynes 1957, Konsep
dasar dari POME ini adalah, dalam memberikan
probabilitas pada tiap kejadian, kemungkinan
tanpa bias, dan dapat digunakan, dengan
informasi yang tersedia,
Maksimum entropy = minimum bias
n

H mak pi ln pi
i 1

p
i 1

Contoh kasus maksimum entropy


(POME)
data (1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16)

H mak pi ln pi
i 1

p
i 1
n

i 1

H mak pi ln pi
i 1

p
i 1

pi xi 8.5

xi 7

p
i 1

Rata-rata = median

Rata-rata < median

Contoh kasus maksimum entropy


(POME)
data n=16, (1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16)

H mak p i ln p i
i 1

H mak p i ln p i
i 1

i 1
n

i 1

pi 1

S2
s

1 n
i 1 X 1 X
n
s2

p
i 1
n

i 1
n

p i x i 14

Rata-rata > median

i 1

pi xi x
pi xi2 x s 2

Rata-rata = median = 8,5


Standar deviasi = 4,76

Minimum Discrimination Of Information (MDI)


(Minimum Etropy)
Prinsip minimum entropy pertama kali dikenalkan
Kullback dan Leibler (1951), pengukuran pendekatan
dilakukan dengan dua probability distribusi, yaitu
informasi untuk menentukan perbedaan antara
probability distribusi P dan Q, ukuran yang disampaikan
oleh Kullback dan Leibler adalah sebagai berikut:
Memungkinkan untuk mempertimbangkan data prior
probability
N
i
i
i 1
i

p
I ( P : Q) P ln
q

Dimana
pi probabilitas dari event i dari probabilitas distribusi P
qi probabilitas dari event i dari probabilitas distribusi Q

Contoh kasus minimum entropy (MDI)


(kasus pelemparan koin)

pi
MIN H pi ln
1/ n
i 1
n

i 1

pi
MIN H pi ln
1/ n
i 1
n

pi xi 0,5

p
i 1

xi 0,6

Contoh kasus minimum entropy (MDI)


(kasus pelemparan dadu)

p
MIN H pi ln i
1/ n
i 1

p
i 1

pi
MIN H pi ln
1/ n
i 1
n

xi 3,5

p
i 1

Memungkinkan memasukkan data prior


probabilitas
1/n dianggap sebagai data awal atau prior
dalam kasus prediksi

xi 4,5

Penelitian Ungauged Basin


Gauged

DAS Model

Debit

Ungauged

Bulan

Bulan

Gauged

Debit

Ungauged

Bulan
Ungauged

Bulan

Debit

Gauged

DAS target
Titik target
Titik pengamatan
(donor)

Bulan
Ungauged

Debit

Bulan
Ungauged

B
Bulan

Bulan

Prediction of Missing Streamflow


Data using Principle of Information
Entropy

Illustration River Basin with Complete and


Missing Data

Prediction River Basin B used Information from


the Data River Basins A and C.

Mengukur Variabilitas

Variabilitas secara statistik didefinisikan sebagai


derajat penyebaran nilai-nilai variabel dari suatu
tendensi sentral dalam suatu distribusi.
Variabilitas juga didefinisikan sebagai perbedaan
antara entropy maksimum yang mungkin dan
entropy yang diperoleh dengan perhitungan secara
individu atau Disorder Index (DI), (C. Zhao at.al,
2011), Semakin tinggi nilai DI maka semakin tinggi
variabilitasnya.

DI ln n H

1 m
DI DI i
m i 1

Study Area dan Data

Variabilitas Curah Hujan Rata-rata Bulanan

Variabilitas Curah Hujan Rata-rata Bulanan

Grafik Variabilitas Curah Hujan Rata-rata Bulanan

Topografi WS Ciliwung

Kontur Intensitas Hujan

Kontur Entropy Curah Hujan

Kontur Disorder Indek Curah Hujan

Grafik Topografi Dan Intensitas

Topograf
i

Tinggi curah hujan harian dipengaruhi


oleh kondisi topografi seperti adanya
bukit, gunung atau pegunungan (Rusmita,
1989).

Intensitas
Hujan

Daerah Tenggara merupakan daerah pegunungan


(Bogor) memiliki topografi tinggi dan memiliki
intensitas tinggi. Intensitas hujan semakin kecil dari
arah Tenggara sampai Barat Laut seiring dengan
keadaan topografi yang semakin rendah.

Topografi dan DI

Terima kasih