ABSTRAK PREDIKSI HUJAN UNTUK WILAYAH KOTA KUPANG DENGAN METODE DATA MINING POHON KEPUTUSAN C4.5 Oleh I Ketut Wisnu Wardhana

Transkripsi

1 ABSTRAK PREDIKSI HUJAN UNTUK WILAYAH KOTA KUPANG DENGAN METODE DATA MINING POHON KEPUTUSAN C4.5 Oleh I Ketut Wisnu Wardhana Informasi cuaca sudah menjadi suatu kebutuhan masyarakat saat ini. Sehingga diperlukan prakiraan yang tepat, akurat dan mudah dipahami. Dalam melakukan prakiraan cuaca banyak sekali metode dan data yang digunakan. Salah satu data yang dapat digunakan adalah data stabilitas udara yang bisa didapat dari pengamatan pilot balon dan radiosonde. Data radiosonde lebih lengkap dibandingkan data pilot balon, tetapi masih jarang digunakan. Oleh sebab itu penulis ingin menggunakan data radiosonde sebagai tambahan referensi dalam membuat prakiraan khususnya potensi kejadian hujan. Penulis akan mencari nilai ambang batas baru dari indeks stabilitas yang lebih sesuai untuk kota Kupang sebagai daerah penelitian dalam memprediksi potensi kejadian hujan. Dalam mencari nilai ambang batas yang baru penulis menggunakan metode data mining algoritma C4.5 dengan menggunakan applikasi WEKA. Untuk indeks-indeks stabilitas yang digunakan adalah CAPE, KI, LI, SI, SWEAT, TPW dan TT. Dalam mencari indeks baru data dibagi menjadi jam UTC, UTC dan jam gabungan. Dan indeks yang dicari juga dibagi menjadi masing-masing indeks dan indeks gabungan. Kemudian nilai ambang batas baru yang didapat diverifikasi dengan menggunakan metode dichotomous. Dan didapat nilai ambang batas baru dengan nilai verifikasi yang baik pada bulan Februari jam UTC untuk nilai TPW, jam UTC untuk indeks SI. Pada bulan Desember jam UTC nilai TPW, KI, SWEAT, SI, sedangkan jam UTC untuk nilai SWEAT. Dan untuk data tahunan didapat nilai ambang batas baru pada jam UTC untuk nilai TPW dan KI. Dan tingkat akurasi dari nilai ambang batas tersebut paling rendah 74% dan yang paling baik 88%. Kata Kunci: Hujan, Data mining, Pohon keputusan, Metode dichotomous ABSTRACT Weather information is a requirement of today's society. So, we need a firm estimate, accurate and easy to understand. In weather forecasting there is a lot of methods and data that can be used. One of those data is the upper air data that can be obtained from the pilot balloon and radiosonde observations. Radiosonde data is more complete than pilot ballon data, but it was seldom used. Therefore, the authors would like to use radiosonde data as an additional reference in making forecasts, especially to predict the potention of rain events. The author will determined a new threshold values of the stability indices that more appropriate for the Kupang city as an area of research in this study. In search of the new threshold values the authors uses data mining methods C4.5 algorithms using WEKA application. For stability indices used were CAPE, KI, LI, SI, SWEAT, TPW and TT. Data input is divided into three period i.e UTC and UTC and 24 hours. The indices are also divided into individual and combined indices.

2 Then the new threshold values obtained were verified using dichotomous method. The results, the new threshold values with good verification in February at UTC is TPW and at UTC is SI index. In December at UTC is TPW, KI, SWEAT and SI values, whereas at UTC is SWEAT value. And for annual data the new threshold value obtained at UTC for TPW and KI values. The lowest accuracy of this new threshold value is 74% while the highest is 88%. Keywords: Rain, Data mining, Decision trees, Dichotomous method.

3 I. PENDAHULUAN Secara geografis kota Kupang terletak pada LS dan BT. Posisi geografis ini menyebabkan kota Kupang memiliki pola musim hujan monsunal dengan musim kemarau yang relatif panjang dan musim hujan yang relatif pendek. Kota Kupang juga merupakan wilayah di Indonesia yang memiliki jumlah hari hujan yang tergolong rendah, yaitu sekitar 115 hari pertahun, didominasi oleh hujan lebat yang terjadi tiba-tiba atau biasa dikenal dengan istilah showers. Atmosfer yang labil adalah syarat mutlak terjadinya showers. Salah satu cara untuk mengetahui tingkat stabilitas atmosfer adalah dengan melakukan pengamatan udara atas. Stasiun Meteorologi El Tari Kupang yang terletak di kota Kupang merupakan stasiun meteorologi yang melaksanakan pengamatan udara atas yakni pilot balon dan radiosonde. Pada pengamatan pilot balon, data yang dihasilkan kurang lengkap dan juga ketinggiannya tidak maksimal. Lain halnya dengan pengamatan radiosonde, dimana data yang didapatkan lebih lengkap dan cakupan hasil pengamatannya secara vertikal umumnya lebih baik. Meskipun begitu, pengunaan data radiosonde ini masih jarang digunakan untuk melakukan prakiraan, jadi belum ada yang melakukan validasi nilai ambang batas yang telah ada atau pun mencari nilai ambang batas baru yang lebih sesuai untuk kota Kupang. Oleh sebab itu penulis ingin mencari nilai ambang batas yang lebih sesuai untuk kota Kupang agar bisa digunakan untuk menambah referensi prakirawan dalam membuat prakiraan, sehingga menghasilkan produk prakiraan yang lebih akurat serta informasi yang lebih baik kepada pengguna jasa Stasiun Meteorologi El Tari Kupang. II. DATA DAN METODE 1. Data Data yang digunakan dalam penelitian ini sebagai berikut : Data sounding Data sounding yang digunakan merupakan data hasil pengamatan jam UTC dan UTC dari Stasiun Meteorologi El Tari Kupang. Data yang digunakan adalah data tahun untuk mencari ambang batas baru dan data 2015 untuk uji akurasi model prakiraan. Data kejadian hujan Data hujan 12 jam-an yang digunakan adalah data pengamatan synop dari Stasiun Meteorologi El Tari Kupang periode tahun Daerah penelitian Daerah penelitian mencakup wilayah Kota Kupang yang terletak pada LS dan BT. 1. Metode Yang Digunakan 1. Mencari Nilai ambang batas Dengan menggunakan metode data mining yang terdapat paka aplikasi WEKA. 2. Verifikasi Setelah mendapatkan nilai ambang batas yang baru maka akan di uji keakurasiannya dengan menggunakan metode statistik yaitu metode dichotomous. Metode ini biasa digunakan untuk mencari akurasi prakiraan ya atau tidak, metode ini memverifikasi dengan menggunakan tabel kontingensi 2 kategori. III. HASIL DAN PEMBAHASAN Setelah melakukan pengolahan data maka didapat nilai ambang batas baru perindeks yang dirangkum pada tabel 4.1.

4 Tabel 4.1 Tabel Nilai Ambang Batas Masing-masing Indeks NILAI INDEKS DATA CAPE(J/Kg) KI LI SI SWEAT TPW(mm) TT HUJAN TIDAK TIDAK TIDAK TIDAK TIDAK TIDAK TIDAK HUJAN HUJAN HUJAN HUJAN HUJAN HUJAN HUJAN HUJAN HUJAN HUJAN HUJAN HUJAN HUJAN JANUARI FEBRUARI < < MARET < APRIL MEI < JUNI JULI AGUSTUS SEPTEMBER OKTOBER NOVEMBER <0,5 0,5 <2,5 2, DESEMBER < <-0,8-0, TAHUNAN Dari Tabel 4.1 dapat kita lihat nilai-nilai indeks baru yang didapat dengan metode data mining, lebih banyak nilai indeks yang kosong atau nilai indeks yang tidak dapat ditentukan oleh metode data mining. Hal ini disebabkan karena indeks stabilitas udara atas ini digunakan untuk mengukur tingkat kelabilan atau kestabilan udara di suatu tempat. Fenomena cuaca yang berkaitan langsung dengan indeks stabilitas ini adalah Thunderstorms/badai guruh. Dikarenakan nilai indeks ini mengukur kondisi kestabilan udara maka pertumbuhan awan yang terbentuk adalah awan-awan konvektif yang salah satunya adalah awan cumulonimbus dimana fenomena badai guruh hanya dapat dihasilkan dari awan ini. Oleh sebab itu maka nilai-nilai indeks yang didapat hanya dengan proses termal kurang menunjukan hasil yang baik. Sedangkan untuk KI, SWEAT dan TPW, ketiga nilai cukup banyak di dapat dengan menggunakan algoritma C4.5. Dikarenakan dalam perhitungan pencarian nilai indeks tersebut tidak hanya melihat kondisi termal tetapi melihat kondisi lainnya. Pada KI formulasi yang digunakan adalah perhitungan kondisi suhu parsel udara, suhu udara lingkungkan, dengan kondisi suhu titik embun. Suhu titik embun ini menggambarkan kondisi kelembapan udara. Pada SWEAT formulasi yang digunakan adalah perhitungan kondisi suhu parsel udara, suhu udara lingkungan, kondisi titik embun dan ditambah kondisi arah dan kecepatan angin. Selain adanya perhitungan suhu titik embun yang menggambarkan kondisi kelembapan suatu udara, indeks ini juga memperhitungna pola pergerakan angin yang dapat menggambarkan pola pembentukan awan atau perluruhan awan akibat gerakan udara. Pada TPW formulasi yang digunakan adalah menghitung jumlah uap air yang tersedia pada kolom udara suatu lokasi pengamatan. Dari ketiga indeks tersebut semuanya memuat perhitungan kondisi uap air sebagai perhitungan utama dalam pembentukan hujan. Inilah kenapa ketiga indeks ini banyak didapat dalam mencari nilai ambang batas indeks untuk kejadian hujan. Untuk bulan Juli, Agustus, September tidak didapatkan nilai ambang batas sama sekali di karenakan pada bulan tersebut kejadian hujan sangat sedikit sampai tidak terdapat hujan sama sekali. Sehingga tidak terbentuk pola nilai indeks terhadap kejadian hujan. Kondisi data sampel yang kurang panjang bisa menjadi salah satu faktor tidak ditemukannya nilai ambang batas pada data-data yang kosong. Dari tabel diatas dapat kita lihat bahwa nilai indeks yang paling sedikit didapat adalah CAPE dan LI hanya didapat 1 nilai ambang batas. Diikuti TT dengan 3 nilai

5 dan SI dengan 7 nilai. Dan indeks terbanyak didapat adalah TPW sejumlah 16 nilai ambang batas, diikuti dengan KI dengan 14 nilai dan SWEAT dengan 13 nilai. Dari nilai ambang batas di atas maka digunakan metode dichotomous kita akan mencari keakuratan nilai ambang batas yang didapat untuk memprediksi kejadian hujan di Kota Kupang. Kemudian diseleksi dengan nilai asumsi verikasi baik sebagai berikut Nilai PC diatas 60%, nilai FAR dibawah 0,5, nilai POD diatas 0,5, nilai BIAS 0,5-1,5 dan nilai TS diatas 0,5. Dengan asumsi nilai diatas adalah nilai batas terendah untuk kualitas prakiraan yang baik. Dan hasilnya dapat dilihat pada tabel 4.2. Tabel 4.2 Tabel Ambang Batas Dengan Nilai Verifikasi Baik. DATA NILAI AKURASI CORRECT FALSE WAKTU INDEKS HITS MISSES TOTAL PC(%) FAR POD BIAS TS NEGATIVE ALARM FEBRUARI 12UTC TPW ,2 0,6 0,8 0,5 FEBRUARI 00TC SI ,3 1,0 1,4 0,7 DESEMBER TPW ,1 0,8 0,9 0,8 DESEMBER KI ,2 0,9 1,1 0,7 DESEMBER 12UTC SWEAT ,3 0,8 1,2 0,6 DESEMBER SI ,3 1,0 1,4 0,7 DESEMBER SWEAT ,3 1,0 1,4 0,7 TAHUNAN TPW ,1 0,5 0,5 0,5 TAHUNAN KI ,2 0,6 0,7 0,5 Dari Tabel 4.2 diatas dapat kita lihat nilai ambang batas yang memiliki nilai akurasi yang baik. Hanya didapat 9 nilai ambang batas yang memiliki nilai akurasi baik. Dan nilai yang didapat berada pada bulan Februari dan Desember dan juga 12 bulan. Tidak didapat nilai ambang batas pada jam gabungan dengan akurasi yang baik dan hampir semua nilai ambang batas baru didapat pada jam UTC. Tabel 4.3 Tabel Nilai Ambang Batas Dengan Verifikasi Baik WAKTU INDEKS NILAI FEBRUARI 12UTC TPW(mm) 54 FEBRUARI 00TC SI <5 DESEMBER TPW(mm) 45 DESEMBER KI 22 DESEMBER 12UTC SWEAT 244 DESEMBER SI <5 DESEMBER SWEAT 158 TAHUNAN TPW(mm) 53 TAHUNAN KI 32 Dari Tabel 4.3 dapat kita lihat nilai nilai yang akan digunakan untuk dijadikan nilai ambang batas baru untuk memprediksi potensi hujan di wilayah Kota Kupang. Kemudian kita mencari nilai akurasi nilai ambang batas indeks gabungan, dimana hanya didapat 1 nilai yang memenuhi kriteria yaitu nilai indeks TPW pada bulan Desember jam UTC. Dimana nilai indeksnya sama dengan nilai indeks yang didapat dari pencarian masing-masing indeks pada bulan Desember jam UTC yaitu jika nilai TPW diatas 45 maka ada potensi hujan. IV. KESIMPULAN 1. Nilai ambang batas baru untuk memprediksi adanya potensi kejadian hujan adalah sebagai berikut : Bulan Februari jam UTC nilai SI < 5. Bulan Februari jam UTC nilai TPW > 54. Bulan Desember jam UTC nilai TPW > 45, nilai KI > 22, nilai SI < 5, dan nilai SWEAT > 158. DATA Bulan Desember jam UTC nilai SWEAT > 244. Indeks tahunan untuk jam UTC nilai TPW > 53, dan nilai KI > 32.

6 Indeks gabungan bulan Desember jam UTC nilai TPW > Nilai akurasi pada nilai ambang batas baru adalah sebagai berikut : Bulan Februari jam UTC nilai SI akurasinya 74%. Bulan Februari jam UTC nilai TPW akurasinya 75%. Bulan Desember jam UTC nilai TPW akurasinya 81%, nilai KI akurasinya 78%, nilai SI akurasinya 74% dan nilai SWEAT akurasinya 74%. Bulan Desember jam UTC nilai SWEAT akurasinya 88%. Indeks tahunan jam UTC nilai TPW akurasinya 82%, dan nilai KI akurasinya 81%. Untuk indeks gabungan pada bulan Desember jam UTC nilai TPW akurasinya 81%. Dari nilai akurasi yang telah disebutkan nilai akurasi terendah adalah 74% yang diasumsikan hasil prakiraan nilai ambang batas baru adalah baik. DAFTAR PUSTAKA AWS The use of The Skew T, log P Diagram in Analysis and Forecasting.Scott Air Force Base. Illinois. Boccolari, M., Fazlagic, S., Frontero, P., Lombroso, L., Pugnaghi, S., Santangelo, R., Corradini, S., Teggi, S Comparison between ZTD delays obtained by radiosounding data and ZTD obtained by GPS data. EGS Gen.Assembly, Nice. Ferdiansyah, Asep Potensi Parameter Keluaran Raob (Rawinsonde Observation Programs) Sebagai Indikator Kunci Dalam Analisis Curah Hujan. Skripsi Jurusan Meteorologi Terapan, Institut Pertanian Bogor, Bogor. Hermawati, Fajar Astuti Data Mining. ANDI. Yogyakarta. Hicks, Thomas M., Schumacher, James D., Grice, Gary K An Evaluation of Seven Stability Indices as Predictors of Covection in South Texas. NOAA Techincal Memorandum NWS SR-199. Irawan, I., Nuryadi, Darmawan, M. S., Widiatmoko, H., Haryoko, U., Sribimawati, T., Soerjadi, W.H., dan Tauhid, Y. I., Paket Modul Pelatihan Iklim Untuk Pertanian di Kabupaten Agam dan Kabupaten Tanah Datar. Teknologi Sistem Iklim. Jakarta Kurniawan, Pande Made Rony MODEL PREDIKSI PETIR UNTUK WILAYAH JAKARTA DENGAN METODE DATA MINING POHON KEPUTUSAN C4.5. Skripsi. Jurusan Meteorologi, Sekolah Tinggi Meteorologi Klimatologi dan Geofisika. Tangerang Selatan Mujiasih, Subekti Pemanfatan Data Mining Untuk Prakiraan Cuaca. Jurnal Meteorologi Dan Geofisika volume 12 Nomor 2 - September 2011: Passner, Jeffrey E The Atmospheric Sounding Program: An Analysis and Forecasting Tool for Weather Hazards on the Battlefield. U.S. Army Research Laboratory. Adelphi. Raditya, Angga Implementasi Data Mining Classification untuk Mencari Pola Prediksi Hujan dengan Menggunakan Algoritma C4.5. Skripsi.Jurusan Teknik Informatika. Universitas Gunadarma. Depok. RAOB The Complete RAwinsonde OBservation Program User Guide & Technical Manual. Matamoras. Tjasyono, Bayong Meteorologi Terapan. ITB. Bandung. Tjasyono, Bayong Klimatologi. ITB. Bandung. Widodo, P. P., Handayanto, R. T., Herlawati Penerapan Data MiningDengan Matlab. Rekayasa Sains. Bandung.

7 Zakir, A., Sulistya, W., Khotimah, & Mia, K Perspektif Operasional Cuaca Tropis. BMKG. Jakarta.