PROSIDING ISSN: M-16 KLASIFIKASI CURAH HUJAN BERDASARKAN DATA SATELIT MTSTAT DENGAN METODE BAYESIAN

Transkripsi

1 M-6 KLASIFIKASI CURAH HUJAN BERDASARKAN DATA SATELIT MTSTAT DENGAN METODE BAYESIAN Zulhanf ), I Gede Nyoman Mndra Jaya ),) Departemen Statstka FMIPA UNPAD dzulhanf@yahoo.com, jay.komang@gmal.com Abstrak Metode Bayesan Klasfkas merupakan metode pengklasfkasan probablstk berdasarkan berdasarkan teorema Bayes. Metode n mengasumskan bahwa keberadaan (atau ketdaberadaan) dar atrbut tertentu dar suatu kelas adalah tdak terkat dengan keberadaan (atau ketdaberadaan) dar setap atrbut lan bak pada kelas yang sama maupun yang berbeda. Klasfkas Bayes menganggap semua atrbut berkontrbus secara ndependent untuk mengklassfkaskan suatu pengamatan kedalam suatu kelas tertentu. Pada makalah n akan dterapkan motode bayes dalam pengklasfkaskan curah hujan berdasarkan ntestas curah hujan adapun hasl peneltan n adalah model klasfkas curah hujan yang akan dpergunakan dalam mempredks klasfkas curah hujan. Kata Kunc: Klasfkas Bayes, Metode Bayes, Nave Bayes. PENDAHULUAN Pengklasfkasan curah hujan pada umumnya dapat dkategorkan bedasarkan tngkat ntenstasnya (Kohnke dan Bertrand, 959). Adapun salah satu faktor yang dapat mempengaruh tngkat ntenstasnya adalah unsur yang berada d awan. Unsur n damat oleh satelt MTSAT (Multfunctonal Transport Satellte). MTSAT merupakan satelt pengnderaan jauh yang wahananya memlk sensor vsbel dan nframerah yang memontorng fenomena atmosfer berupa suhu permukaan awan dan suhu tengah awan. Panjang gelombang nframerah dar MTSAT dapat menembus permukaan awan dengan panjang gelombang tertentu juga memontorng awan yang mengadung uap ar. Untuk saluran vsbel dar satelt n untuk memontorng awan berdasarkan albedonya (Kdder and Thomas dalam Harsta, 0). Suhu puncak awan dapat menunjukkan jens awan yang terbentuk kemudan dapat pula djadkan sebaga dasar untuk menentukan curah hujan yang terjad. Hubungan suhu puncak awan dengan curah hujan yang dhaslkan mempunya korelas yang tngg (Heru Wdodo dalam Hanfuddn, 0), hubungan yang terjad adalah berbandng terbalk (negatve) yatu semakn rendah suhu puncak awan semakn tngg curah hujan. Pada peneltan n akan menerapkan metode Bayesan dalam membentuk model pengklasfkasan curah hujan menjad tga klasfkas berdasarkan ntenstas curah hujan.. METODE PENELITIAN Nave bayes classfer mengestmas peluang kelas bersyarat dengan mengasumskan bahwa atrbut adalah ndependen secara bersyarat yang Konferens Nasonal Peneltan Matematka dan Pembelajarannya II (KNPMP II) 63

2 dberkan dengan label kelas dnyatakan dalam bentuk berkut : P d X Y y PX Y y dengan tap set atrbut X X, X,, y. Asums ndependen bersyarat dapat terdr dar d atrbut. Independens Bersyarat Sebelum menyeldk lebh detal bagamana nave bayes classfer bekerja, terlebh dahulu duj notas ndependens bersyarat. Anggap X, Y, dan Z melambangkan tga set varabel acak. Varabel d dalam X dkatakan ndependen secara bersyarat Y, yang dberkan Z, jka sesua konds berkut. P X Y, Z P X Z () Asums ndependen bersyarat, termasuk menghtung peluang bersyarat untuk setap kombnas X, hanya memerlukan mengestmas peluang bersyarat untuk tap X yang dberkan Y. pendekatan selanjutnya lebh prakts karena tdak mensyaratkan tranng set sangat besar untuk memperoleh estmas peluang yang bak. Untuk mengklasfkas tes record, nave bayes classfer menghtung peluang posteror untuk tap kelas Y : P Y X X d d PX Y () P Y. (3) P X Untuk varabel yang kontnu peluang bersyarat P( X Y) mengkut dstrbus normal sbb: P ( X Y ) Y ( X Y) e Y Sedangkan metode pembentukan model klasfkasannnya berdasarkan dagram alur sbb: Konferens Nasonal Peneltan Matematka dan Pembelajarannya II (KNPMP II) 64

3 Masalah Identfkas Tujuan Objek Peneltan Pengumpulan data Pengolahan data Varabel yang dkaj Varabel Predktor Varabel Respon Analss Bayes Tdak layak Penguja n Model layak Model Bayes Klasfkas Konferens Nasonal Peneltan Matematka dan Pembelajarannya II (KNPMP II) 65

4 3. HASIL PENELITIAN DAN PEMBAHASAN Data dan metode bers data yang dgunakan dan bagamana data tersebut dolah Pada peneltan n data yang dgunakan adalah data sekunder yang dperoleh dar LAPAN. IR, IR, dan IR3 merupakan data MTSAT (Mult-Functonal Transport Satellte) dan data curah hujan setap jam dperoleh dar Automatc Weather Staton (AWS) yang berlokas d Kototabang, Sumatera Barat dengan poss 00.3 BT (Bujur Tmur), 0.3 LS (Lntang Selatan) pada tahun 004. Data prmer MTSAT juga dapat dunduh d Data MTSAT dnyatakan dengan satuan suhu Kelvn (K) dan data curah hujan dengan satuan mllmeter (mm). Sedangkan ntestas curah hujan yang dukur dbag menjad empat klasfkas (Kohnke dan Bertrand, 959), yatu:rendah, Sedang dan Lebat. Adapun tahapan analss dalam membuat model klasfkasnya adalah sbb a. Membag data yang dpergunakan menjad dua bagan yang terdr atas data tranng dan data testng dengan perbandngan 80% dan 0% b. Mengevaluas besarnya kesalahan klasfkas dar data tranng dan data testng c. Membuat model predks Dengan bantuan software R ddapat model klasfkas Bayes dengan tngkat akuras klasfkas sbb: Tabel Akuras Model Klasfkas Bayes Data Akuras (%) Tranng 90,67 Testng 9,088 Pada Tabel d atas dapat dsmpulkan bahwa terdapat tngkat akuras antara data testng dan tranng tdak telalu jauh perbedaannya yatu sektar 90%, hal n mengndkaskan model sudah cukup bak dpergunakan sebaga model predks. Sedangkan model klasfkasnya untuk masng-masng kategor dar curah hujan dapat dlhat pada Tabel sbb: Tabel Model Predks Klsfkas Bayes Kategor Dstrbus Normal Klasfkas Rata-rata Smpangan Baku TB TB TB3 TB TB TB3 Lebat Rendah Sedang Pada Tabel d atas dapat dsmpulkan model predks curah hujan mengkut dstrbus normal dengan rata-rata terbesar ada pada ndkator TB yatu sebesar dengan semapangan baku Konferens Nasonal Peneltan Matematka dan Pembelajarannya II (KNPMP II) 66

5 4. SIMPULAN Dar hasl pembahsan yang durakan pada bagan sebelumnya dapat dsmpulkan hal-hal sbb: a. Hasl analss menunjukkan adanya kekurang akuratan hasl klasfkas pada data tranng yang berpotens meyebabkan over ftng dar model klasfkas yang dbentuk. b. Pemodelan klasfkas dengan metode n perlu duj lag berkenaan dengan asums ndependens yang kuat dantara varabel predktor untuk masngmasng klas yang terbentuk. c. Penambahan jumlah varabel predktor menjad hal yang dapat dpertmbangkan untuk megurang tngkat kesalahan dar model kalafkas yang dbuat. 5. DAFTAR PUSTAKA George H. John and Pat Langley (995). Estmatng Contnuous Dstrbutons n Bayesan Classfers. Proceedngs of the Eleventh Conference on Uncertanty n Artfcal Intellgence. pp Morgan Kaufmann, San Mateo Harsta, K. 0. Estmas Curah Hujan Data Satelt Geostasoner dan Orbt Polar dbandngkan dengan Data Stasun Hujan. Unverstas Gadjah Mada Hanfuddn, M. 0. Pemanfaatan Ctra MTSAT untuk Analss Pola Persebaran Curah Hujan d Provns Jawa Tengah Tahun 00. Jurnal Bum Indonesa Vol., No.. Kohnke,H., dan Bertrand, A. 959, Sol Conservaton, McGraw-Hll Company, Inc., New York, New York. Konferens Nasonal Peneltan Matematka dan Pembelajarannya II (KNPMP II) 67