PENDEKATAN ANALISIS FUZZY CLUSTERING

Transkripsi

1 PENDEKATAN ANALISIS FUZZY CLUSTERING PADA PENGELOMPOKKAN STASIUN POS HUJAN UNTUK MEMBUAT ZONA PRAKIRAAN IKLIM (ZPI) (Studi Kasus Pengelopokkan Zona Prakiraan Ikli (ZPI) dengan Data Curah Hujan di Kabupaten Karawang, Kabupaten Subang dan Kabupaten Indraayu) Naa Mahasiswa : Azwar Habibi NRP : Pebibing :. Dr. Sutikno, S.Si, M.Si Co-Pebibing :. Dr. Ir. Setiawan, M.S ABSTRAK Analisis kelopok (cluster analysis) telah digunakan diberbagai bidang ilu pengetahuan, dengan tujuan engelopokkan objek/observasi. Hal penting dala analisis kelopok adalah eperoleh nilai sipangan baku dala kelopok (S W ) yang iniu dan nilai sipangan baku antar kelopok (S B ) yang aksiu. Pada penelitian ini dilakukan pengelopokkan stasiun pos hujan untuk ebentuk zona prakiraan ikli (ZPI) di Kabupaten Karawang, Subang dan Indraayu dengan enggunakan analisis Fuzzy clustering, yaitu etode fuzzy c-eans cluster, fuzzy c-shell cluster. Berdasarkan nilai rataan rasio S W /S B enunjukkan hasil kelopok yang optial untuk kedua etode fuzzy c- eans cluster dan fuzzy c-shell cluster diperoleh saa yaitu sebanyak 0 kelopok. Metode fuzzy c-eans cluster diperoleh nilai yang paling iniu yaitu 0,483 dari pada etode fuzzy c-shell cluster yaitu 0,798. Metode fuzzy c-eans cluster epunyai hasil yang lebih baik sehingga berpotensi untuk enghasilkan zona prakiraan ikli yang hoogen. Sehingga, hasil dari evaluasi kinerja pengelopokkan dengan analisis Fuzzy clustering yaitu etode Fuzzy c-eans cluster yang digunakan sebagai acuan akan dibandingkan dengan pengelopokkan zona prakiraan ikli yang pernah dilakukan oleh BMKG. Diperoleh hoogenitas ikli hasil zona revisi enggunakan Metode fuzzy c- eans cluster (ZPI revisi) epunyai kinerja lebih bagus dari pada hasil pengelopokkan yang diperoleh dari hasil ZPI BMKG. Hasil pengelopokkan enggunakan etode fuzzy c-eans cluster setelah engalai revisi (pengelopokkan ulang) diperoleh 9 kelopok (zona). Kata kunci: Analisis kelopok, Fuzzy clustering, fuzzy c-eans cluster, fuzzy c-shell cluster, Zona Prakiraan Ikli (ZPI). PENDAHULUAN Analisis Cluster erupakan analisis statistika yang bertujuan untuk engelopokkan objek-objek aatan enjadi beberapa kelopok berdasarkan peubahpeubah yang diaati. Proses penglopokkan objek-objek tersebut berdasarkan kesaaan karakteristik di antara objek-objek tersebut. Dala analisis cluster ada dua etode pengelopokkan, yaitu etode berhirarki dan etode tidak berhirarki (Johnson dan Wichern, 00). Pada proses pengelopokkan (clustering) berhirarki atau nonhirarki, pebentukan partisi dilakukan sedeikian rupa sehingga setiap objek berada tepat pada satu partisi. Akan tetapi, pada suatu saat, hal itu tidak dapat dilakukan untuk enepatkan suatu objek tepat pada suatu partisi, karena sebenarnya objek tersebut terletak diantara dua

2 atau lebih partisi yang lain. Sehingga perlu dilakukan pengelopokkan dengan enggunakan fuzzy clustering diana dala elakukan pengelopokan epertibangkan tingkat keanggotaan hipunan fuzzy sebagai dasar pebobotan (Abonyi dan Szeifert, 00). Ada beberapa etode (algorita) yang telah dikebangkan dala analisis Fuzzy clustering, antara lain etode fuzzy c-eans cluster (FCM), fuzzy c-shell cluster (FCS), fuzzy Subtractive cluster dan lain sebagainya. Penelitian terdahulu dilakukan oleh Sutikno (008) ebahas tentang evaluasi ZPI BMKG dengan pendekatan analisis kelopok khususnya yang berhirarki yaitu ebandingkan etode coplete linkage, average linkage, dan Ward s. Untuk itu dala penelitian ini akan dikaji perbandingan etode FCS dan FCM dala engevaluasi hasil ZPI BMKG untuk elihat seberapa efisien kinerja kedua etode tersebut dala pebentukan ZPI khusus untuk wilayah Kabupaten Karawang, Subang dan Indraayu. Analisis kuantitatif untuk enentukan efektifitas etode ini akan digunakan nilai sipangan baku dala kelopok (S w ) dan antar kelopok (S B ). METODE PENELITIAN Analisis Faktor Johnson dan Wichern (00), enjelaskan analisis faktor bertujuan untuk endapatkan sejulah kecil faktor (koponen utaa) yang apu enerangkan seaksial ungkin keragaan data. Analisis faktor enggabarkan hubungan kovariansi dari beberapa variabel dala sejulah kecil faktor. Variabel-variabel ini dapat dikelopokkan enjadi beberapa faktor, diana variabel-variabel dala satu faktor epunyai korelasi yang tinggi sedangkan korelasi dengan variabel-variabel pada faktor lain relatif kecil. Faktor-faktor tersebut saling independen dan tiap-tiap faktor dapat diinterpretasikan. Vektor variabel rando X yang diaati dengan p koponen epunyai vektor ean μ dan atriks variansi kovariansi, secara linier bergantung pada sejulah variabel rando yang bisa teraati F, F,...F yang disebut faktor uu (coon factor) dan ε, ε,..., ε p yang disebut error atau faktor spesifik (specific faktor). Fuzzy c-eans cluster (FCM) FCM adalah suatu teknik penggelopokkan data yang ana keberadaan tiap-tiap data dala suatu cluster ditentukan oleh nilai keanggotaan. Teknik ini pertaa kali diperkenalkan oleh Ji Bezdek pada tahun 98. konsep dasar FCM, pertaa kali adalah enentukan pusat cluster yang akan enandai rata-rata untuk tiap-tiap cluster. Pada

3 kondisi awal, pusat cluster ini asih belu akurat. Tiap-tiap data eiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara eperbaiki pusat cluster dan nilai keanggotaan tiap-tiap data secara berulang, aka akan dapat dilihat bahwa pusat cluster akan bergerak enuju lokasi yang tepat. Perulangan ini didasarkan pada inialisasi fungsi objektif (Pi, Qin dan Wang, 006). Fungsi objektif yang digunakan pada fuzzy c-eans (FCM) adalah sebagai berikut (Pedrycz, 006): Dengan w [, ), J c n W(U,V,X) = ( μik) ( dik) () i= k= d ik adalah jarak observasi yang dapat diruuskan sebagai berikut: T ik k i k i k i k i d ( x, v ) = x v = ( x v ) ( x v ) () Algorita FCM adalah sebagai berikut : a. Input data yang akan dicluster X, berupa atriks berukuran n x (n = julah sapel data, = atribut setiap data). X ij = data sapel ke-i (i =,,,c), atribut ke-j (j =,,,). b. Menentukan : Julah cluster yang akan dibentuk = k ( k ); Pangkat (pebobot) = ( > ), berdasarkan penelitian Klawonn dan Keller (997), nilai dari yang paling optial dan sering dipakai adalah = ; Maxiu Iterasi; Error terkecil yang diharapkan (nilai positif yang sangat kecil) sebagai kriteria penghentian = ξ ; Fungsi objektif awal = P 0 = 0; Iterasi awal, t =, dan Δ = ; c. Bentuk atriks partisi awal, U 0, adalah sebagai berikut : μ( x ) L μn ( xn ) U= M O M μc ( x) L μcn( xn) Matriks partisi awal biasanya dipilih secara acak; d. enghitung pusat cluster ke-k : V ki, dengan k =,,,n; dan i =,,,c. (3) 3

4 V i = n ( ( μik ) xk ) k = n k = ( μ ) e. enghitung fungsi objektif pada iterasi ke-t, P t : P = X V μ f. enghitung perubahan atriks partisi : ik c n ( ) ( ) (5) t ij kj ik i= k= j= μ ik = j= d d ik jk ( ) dengan : i =,,,c; dan k =,,,n. g. enentukan kriteria berhenti, yaitu perubahan atriks partisi pada iterasi sekarang dengan iterasi sebelunya, sebagai berikut : Apabila t t Δ= P P < ξ (7) Δ ξ, aka iterasi dihentikan, naun apabila Δ > ξ, aka naikkan iterasi (t = t + ) dan kebali ke langkah d. Fuzzy c-shell cluster (FCS) Dave (99) enjelaskan, dala algorita FCS bentuk dasar dari cluster adalah p- diensi hyper-spherical shell yang dapat dikarakteristikan oleh pusat dan jari-jari. Misal R adalah hipunan riil, n p R adalah hipunan riil dari p-tuples. Misal p X = {x,x, L,x } R enjadi suatu hipunan data yang infinite sedeikian sehingga x k X adalah feature vector ke-k. Misal U M fc adalah fuzzy c-partisi dari X ( M fc dinotasikan sebuah hipunan dari fuzzy c-partisi dari X); dan isal V adalah c-tuple p {v, v, L,v c }, v R. Misal R adalah c-tuple + i { r, r, L, rc}, ri R. Untuk FCS, einialkan bobot julah dari jarak poin dari seperti bentuk dasar (prototipe). Jadi fungsi FCS J : M s cp c + fc R R R didefinisikan sebagai : c n s UV R = uik Dik (8) i= k= J(,, ) ( ) ( ) Dengan [, ). Jarak Dik adalah jarak antara feature vektor ke-k yaitu x k dan prototype ke-i, didefinisikan sebagai: (4) (6) 4

5 ( D ) = ( x v r) (9) ik k i i Dala persaaan diatas, adalah nor jarak euclid, pusat v i dan jari-jari r i dari bentuk dasar shell cluster. Definisi di atas didasarkan pada engukur kuadrat jarak, jadi (D ik ) adalah nilai deterinan untuk sebuah titik x k, dan prototipe (v i, r i ). Algorita pengelopokan FCS diberikan sebagai berikut: a. Menentukan k banyak cluster yang ingin dibuat, k < n, dengan n adalah julah dari data. Menentukan eksponen, antara < <. b. Menentukan counter iterasi j = 0. inisialisasi fuzzy c-partisi U 0. c. Menghitung cluster center v i, dan jari-jari cluster r i dengan enggunakan ( uik ) x k = persaaan vi = n ( u ) n k = ik k ( u ) x v k = dan persaaan ri = n ( u ) n ik k i k = ik. enggunakan etode pengganda lagrange dengan perkiraan inisial untuk iterasi pertaa dari persaaan tersebut. d. Menghitung jarak, (D ik ) enggunakan persaaan (9). e. Update anggota iterasi ke-j, U j dengan persaaan uik = ). n ( ) D ik j= D jk Periksa nilai kekonvergenan dengan ebandingkan U j dan U j- dala nilai nor yang sesuai. Jika j j U U ε <, aka berhenti. Jika j j U U ε >, aka naikkan iterasi (j = j + ) dan kebali kelangkah c. Evaluasi Hasil Pengelopokkan Untuk elihat kinerja kedua etode tersebut digunakan kriteria nilai sipangan baku, yaitu: dala kelopok (S w ) dan antar kelopok (S B ). w K S = K S dengan: K adalah banyaknya kelopok yang terbentuk dan S k erupakan sipangan baku kelopok SB = K X X K / dengan: k k = ( ) ( k ) k = X adalah rataan kelopok ke-k dan X rataan keseluruhan kelopok. Seakin kecil nilai S w dan seakin besar nilai S B, aka etode tersebut eiliki kinerja yang baik, artinya epunyai hoogenitas yang tinggi. Dengan kata lain etode yang dipilih adalah etode yang epunyai nilai S w yang iniu dan nilai S B yang aksiu. Akan tetapi secara logika akan sulit untuk elihat perbandingan k 5

6 antara nilai S w dan nilai S B karena terdapat keungkinan dala hasil pengelopokkan diperoleh nilai kriteria S w yang iniu ternyata nilai S B yang iniu sedangkan harapanya adalah aksiu, sehingga akan digunakan nilai rasio S w / S B, dengan kata lain etode yang dipilih adalah nilai rasio S w / S B yang terkecil (Bunkers et al. 996). Ilustrasi Data Data yang digunakan dala penelitian ini erupakan data sekunder yaitu data curah hujan bulanan yang diperoleh dari stasiun-stasiun di wilayah Kabupaten Karawang, Subang dan Indraayu dengan 04 stasiun. Periode data curah hujan antar stasiun cukup beraga ulai tahun Variabel yang digunakan adalah tingkat curah hujan bulanan, terdiri dari variabel curah hujan bulanan keudian direduksi enjadi 4 variabel. Tahapan Analisis Data Terdapat tiga tahapan dala elakukan analisis data, yaitu :. Pengelopokan ZPI di kabupaten Karawang, Subang dan Indraayu. a. Mendeskripsikan data curah hujan yang erupakan hasil rataan dari asingasing stasiun di kabupaten Karawang, Subang dan Indraayu. b. Mereduksi data curah hujan dengan Analisis Faktor sebagai pra-perosesan data c. Mebentuk kelopok dengan etode FCM dan FCS. d. Dilakukan evaluasi kelopok yang didapat dengan kriteria nilai sipangan baku, yaitu: dala kelopok (S w ) dan antar kelopok (S B ) dari dua etode diatas yaitu FCM dan FCS.. Modifikasi hasil pengelopokan elalui koreksi elevasi dan kontur curah hujan. a. Digunakan peta evaluasi kabupaten Karawang, Subang dan Indraayu. sebagai acuan untuk eodifikasi hasil pengelopokan yang didapat. b. Meodifikasi hasil pengelopokan berdasarkan elevasi dan kontur curah hujan. c. Mendapatkan ZPI baru dengan engidentifikasi anggota ZPI. 3. Mebandingkan kinerja ZPI antara ZPI BMKG dan ZPI terbaik. a. Mebandingkan ZPI baru yang didapat dengan ZPI ilik BMKG. b. Didapat ZPI terbaik dari hasil evaluasi kriteria sipangan baku dala dan antar kelopok. 6

7 HASIL DAN PEMBAHASAN Deskripsi Uu Curah Hujan Tiap Stasiun Pos Hujan di Kabupaten Karawang, Subang dan Indraayu Tabel enunjukkan bahwa rata-rata curah hujan pada Bulan Januari adalah tertinggi di Kabupaten Karawang, Subang dan Indraayu, yaitu sebesar 338,3. Hal ini enunjukkan pada Bulan Januari erupakan puncak dari usi penghujan. Rata-rata curah hujan terendah terjadi Bulan Agustus, yaitu sebesar 8,44. Ini berarti pada bulan ini erupakan puncak dari usi kearau di Kabupaten Karawang, Subang dan Indraayu. Jika dilihat nilai sipangan baku, pada Bulan Januari eiliki sipangan baku tertinggi, artinya pada bulan tersebut terdapat variasi curah hujan diantara stasiun pos hujan di Kabupaten Karawang, Subang dan Indraayu. Menurut nilai range, yaitu selisih nilai iniu dan aksiu yang besar, dapat diartikan tingkat curah hujan setiap stasiun pos hujan di Kabupaten Karawang, Subang dan Indraayu tinggi. Tabel. Deskripsi Tinggi Curah Hujan Bulanan di Kabupaten Karawang, Subang dan Indraayu Bulan Miniu Maksiu Rata-rata Sipangan baku Januari 6,3 569,5 338,3 83,3 Februari 3,9 44,5 38, 65,35 Maret 95,65 49,50 98,8 79,65 April 64,6 47,9 57,7 79,4 Mei 3,70 97,95 9,68 48,4 Juni 9,63 46,40 6,9 7, Juli 0,69 9,09 4,7 0,5 Agustus,53 94,9 8,44 8,8 Septeber 9,58 4,47 37,,37 Oktober 3,40 46,90 85,65 43,64 Noveber 74,9 40,8 6,6 69,54 Deseber 9,88 459,70 03,84 66,60 Gabar enjelaskan bahwa tipe curah hujan di Kabupaten Karawang, Subang dan Indraayu yaitu tipe onsunal yang berarti bersifat onsun karena dari gabar tersebut pola curah hujannya ebentuk huruf U. Selanjutnya dari Gabar dapat diidentifikasi bahwa usi penghujan di Kabupaten Karawang, Subang dan Indraayu 7

8 ulai Bulan Noveber April, sedangkan usi kearau terjadi pada Bulan Mei Oktober Bulan Gabar. Rata-rata tinggi curah hujan enurut bulan Interpretasi Analisis Faktor Analisis faktor yang bertujuan untuk ereduksi variabel-variabel bulan yang ada dala penelitian ini agar supaya tidak terjadi dependensi antar variabel karena data curah hujan yang digunakan dala penelitian ini cenderung terdapat kasus ultikolinieritas, karena dala etode etode FCS atau FCM enggunakan jarak euclid yang engharuskan bebas dari ultikolinieritas. Berdasarkan scree plot enunjukkan bahwa terdapat 4 faktor yang terbentuk dengan total keragaan 95,% yang ditunjukkan pada Gabar Untuk eperjelas dala enggabarkan karakteristik curah hujan bulanan di Kabupaten Subang, Karawang dan Indraayu dilakukan rotasi Variax. Hasil loading faktor selengkapnya disajikan pada Tabel. 0 Scree Plot of Jan,..., Des 8 Eigenvalue Julah Faktor Gabar. Scree-plot (untuk enentukan julah Loading faktor yang optiu) Tabel enunjukkan bahwa faktor (F) enggabarkan bulan-bulan usi transisi baik transisi usi kearau (Maret, April dan Mei) aupun usi penghujan (Oktober, 8

9 Noveber dan Deseber), faktor (F) lebih enggabarkan puncak usi hujan (Januari dan Februari), faktor 3 (F3) lebih enggabarkan awal usi kearau (Juni, Juli dan Agustus), seentara faktor 4 lebih enunjukkan puncak usi kearau (Septeber). Total keragaan yang dapat dijelaskan dengan epat faktor tersebut sebesar 95,%. Keragaan asing-asing faktor adalah secara berututan faktor (F) sebesar 43,7%, faktor (F) adalah 3,7%, faktor 3 (F3) sebesar 6,9% dan faktor 4 (F4) yaitu %. Data untuk pengelopokkan stasiun curah hujan selanjutnya enggunakan epat score factor. Tabel. Nilai Loading faktor dengan Rotasi Variax Variabel/ Bulan F F F3 F4 Januari Februari Maret April Mei Juni Juli Agustus Septeber Oktober Noveber Deseber Analisis Fuzzy Clustering dengan Metode FCM dan Metode FCS Ada dua pendekatan etode yang dilakukan dala penelitian ini, yaitu analisis Fuzzy Clustering enggunakan etode FCM dan FCS. Penerapan etode FCM dan FCS pada pengelopokkan ZPI diawali dengan enentuan kelopok yang akan dilakukan dari banyak cluster, k =,,0. Menentukan pangkat atau pebobot ke-fuzzy-an dala penelitian ini nilai yang digunakan adalah karena berdasarkan penelitian Klawonn dan Keller (997) nilai dari yang paling optial dan sering dipakai adalah, enentukan aksiu iterasi sebesar 00, input data yang dilakukan dala penelitian ini yaitu nilai skor faktor dari data curah hujan yang erupakan hasil rataan bulanan dari asing-asing stasiun yang tersedia series datanya (non-issing) terdiri dari variabel curah hujan (Januari-Deseber). Untuk elihat evaluasi kinerja etode FCM dan FCS digunakan nilai rataan dari rasio sipangan baku dala kelopok (S w ) dan sipangan baku antar kelopok (S B ), data yang digunakan dala engevaluasi S w dan S B erupakan data hasil pengelopokkan enggunakan etode FCM dan FCS dan hasil dari epat skor faktor 9

10 yang telah dilakukan terlebih dahulu dala analisis faktor. Berdasarkan nilai rataan rasio S w /S b enunjukkan etode FCM diperoleh nilai yang paling iniu yaitu 0,483 dari pada etode FCS yaitu 0,798 dengan hasil kelopok yang optial diperoleh saa yaitu sebanyak 0 kelopok untuk kedua etode tersebut. Dapat dikatakan etode FCM lebih baik dari pada etode FCS. Hasil penggelopokkan enggunakan etode FCM yang akan dievaluasi dan digunakan sebagai acuan untuk pebentukan ZPI. Langkah selanjutnya yaitu engkonvert hasil pengelopokkan yang optiu berdasarkan hasil yang diperoleh pada etode FCM dan etode FCS kedala software ArcView GIS 3.3 (salah satu perangkat lunak yang populer dan paling banyak digunakan untuk engelola data, enganalisa dan ebuat peta serta laporan yang berkaitan dengan data spasial bereferensi geografis), bertujuan untuk enetukan luasan ZPI hasil penggelopokkan enggunakan etode FCM dapat diidentifikasi pada gabar 3A. Penyebaran hasil penggelopokkan ZPI dengan etode FCS yang optiu dapat diinterpretasikan dala bentuk peta yaitu pada gabar 3B. Gabar 3. Pola Sebaran kelopok stasiun pos hujan hasil etode FCM (A) dan FCS (B) Untuk enentukan luasan ZPI yaitu dengan cara engidentifikasi awal yaitu dilakukan dengan enggunakan banyaknya kelopok yang ideal yang dihasilkan dari etode FCM, yaitu 0 kelopok, lihat Gabar 3(A) diatas. Berdasarkan Gabar 3(B) tapak bahwa hasil pengelopokkan dengan etode FCS sangat tidak teratur sehingga sulit untuk elakukan identifikasi guna untuk elakukan pengelopokkan ulang, sedangkan hasil pengelopokkan dengan etode FCM sangat teratur sehingga udah untuk elakukan identifikasi guna untuk elakukan pengelopokkan ulang jadi Metode FCM epunyai hasil yang baik sehingga berpotensi untuk enghasilkan ZPI yang hoogen. Hal ini didukung juga dengan hasil perhitungan indeks kualitas kelopok yang 0

11 digunakan yaitu nilai rataan rasio S w /S b enunjukkan etode FCM diperoleh nilai yang paling iniu. Tabel 3. Hasil Rataan Rasio Sipangan Baku Dala Kelopok (S w ) dan Sipangan Baku Antar Kelopok (S B ) untuk FCM dan FCS Kelopok SF SF SF3 SF4 Average Fuzzy C-Means Cluster ,3,7,99 3,97 4,6 3,033 0,844,559,30, ,7 0,797,794,63,7 5 0,386 0,64,579,075 0,96 6 0,95 0,55,386,006 0, ,609 0,60,8 0,83 0, ,38 0,565 0,909 0,804 0,65 9 0,344 0,58 0,799 0,759 0,6 0 0,344 0,565 0,56 0,507 0, Fuzzy C-Shell Cluster ,704,4 444,999 9,479,08 3 3,4 5,667,93 4,057 3,968 4,576,399 4,538 7,36 4,6 5 4,833 3,38,993 4,99 3, ,05,6 3,0 4,674 3,33 7 4,908,44,578,307, ,738 0,967,433,859,499 9,6,58,90,58,964 0,07 0,674 0,779 0,667 0,798 Pengelopokkan ulang dapat dilakukan pada stasiun pos hujan yang eiliki kode hasil pengelopokkan saa dala satu kelopok yang enjadi outlier atau eencil pola sebaranya. Untuk ebantu pengelopokkan ulang digunakan peta kontur elevasi yaitu peta kontur asing-asing skor faktor (Gabar 4). Dala hasil pengelopokkan pebagian zona tidak dibatasi oleh wilayah adinistrasi kabupaten atau kota, sehingga dala satu zona tertentu bisa encakup beberapa kabupaten/kota. Dala penelitian ini selanjutnya akan dilakukan revisi atau pengelopokkan ulang agar diperoleh ZPI yang baik yaitu dengan engidentifikasi plot peta kontur elevasi yang ditunjukkan pada Gabar 4. Berdasarkan Gabar 4 enunjukkan bahwa beberapa kode stasiun dapat dilakukan pengelopokan ulang atau tidak perlu engalai pengelopokkan ulang karena satu kelopok sudah hoogen seua. Seperti pada zona tidak perlu dilakukan pengelopokkan ulang karena anggota kelopoknya sudah saa seua (Gabar 4). Zona eliputi Karawang bagian Barat laut yang berhadapan langsung dengan Laut Jawa. Zona yang tidak engalai pengelopokkan ulang (Tabel 4). Zona epunyai ciri

12 yang agak khusus, yaitu tidak terdapat perbedaan yang nyata tinggi hujan antara usi hujan dan kearau. Rataan tinggi hujan puncak usi kearau sebesar 5. Menurut BMKG zona ini dikatakan sebagai wilayah yang tidak epunyai ZPI (non-zpi) (Sutikno, 008). Gabar 4. Peta Kontur Masing-asing Skor Faktor dan nilai Keragaannya Pada zona 3, kode stasiun 4, 5, 7, 8, dan 9 dilakukan pengelopokkan dengan kode 0. Pada zona ini eliputi Karawang bagian tengah, sebagian Subang bagian utara. Zona 4 eliputi pesisir pantai utara Karawang, Subang, Indraayu. Kode stasiun yang asuk pada zona ini adalah 5 dan 7, dilakukan pengelopokkan ulang doinan ke kode 4. Zona 5 eliputi Sebagian Subang bagian tengah sebelah tiur, sebagian Indraayu bagian tengah sebelah barat. Kode stasiun yang terasuk dala zona ini adalah, 5, 6, dan 8. Zona 6 adalah sebagian wilayah subang bagian tenggara, sebagian indraayu bagian barat daya. Kode stasiun zona ini adalah 8 pada zona ini tidak perlu engalai pengelopokkan ulang (revisi). Zona 7 adalah sebagian wilayah subang bagian tenggara, sebagian indraayu bagian barat daya (Subang bagian selatan), yang epunyai tinggi hujan yang relatif tinggi baik terutaa pada usi hujan dan usi transisi. Yang ebedakan zona ini dengan zona lain adalah topografinya, pada zona ini banyak pegunungan (Sutikno,

13 008). Kode stasiun yang asuk dala zona ini adalah 3 dan 8 yang doinan ke kode 3. Zona 8 eliputi Indraayu bagian selatan dan barat daya. Kode stasiun yang terasuk dala zona ini adalah dan 8. Zona 9 eliputi Indraayu bagian tiur dan tenggara yang berbatasan dengan Cirebon. Kode stasiun yang asuk pada zona ini adalah 5 dan 6. Zona 9 ini engalai pengelopokkan ulang yaitu kode 5 doinan ke stasiun kode 6. Hasil pengelopokkan ulang enghasilkan 9 kelopok yang selanjutnya dinaakan ZPI hasil revisi (Gabar 5). Tabel 4. Kode stasiun yang dilakukan pengelopokkan ulang enurut zona Zona Kode stasiun awal Kode stasiun doinan Keterangan Zona Tidak engalai revisi Zona 9 9 Tidak engalai revisi Zona 3 4, 5, 7, 8, dan 9 0 Kode 4 sebanyak ; 5 sebanyak 5; 7 sebanyak 5; 8 sebanyak 3; 9 sebanyak Zona 4 5, 7 4 Kode 5 sebanyak ; 7 sebanyak Zona 5, 5, 6, dan 8 7 Kode sebanyak ; 5 sebanyak ; 6 sebanyak ; 8 sebanyak Zona Tidak engalai revisi Zona 7 3, 8 3 Kode 8 sebanyak Zona 8, 8 Kode 8 sebanyak Zona 9 5, 6 6 Kode 5 sebanyak Gabar 5. ZPI Baru Berdasarkan Stasiun Pos Hujan. Perbandingan Hasil Pengelopokkan FCM dan FCS dengan ZPI BMKG Hasil dari penelitian terdahulu yang pernah dilakukan oleh BMKG (Sutikno, 008) yang eakai etode coplete linkage khusus Kabupaten Karawang, Subang, dan Indraayu terbagi atas 0 ZPI, pada dasarnya hasil penggelopokkan yang dilakukan dala penelitian ini yaitu enggunakan analisis Fuzzy clustering eperoleh 0 3

14 kelopok yang ideal akan tetapi setelah dilakukan pengelopokkan ulang guna untuk endeteksi kelopok yang enjadi outlier diperoleh 9 kelopok jadi diperoleh 9 ZPI. Dala penelitian ini hasil dari evaluasi kinerja pengelopokkan dengan analisis Fuzzy clustering yaitu FCM yang digunakan sebagai acuan akan dibandingkan dengan pengelopokkan ZPI yang pernah dilakukan oleh BMKG enggunakan kriteria nilai sipangan baku dala kelopok (S w ) dan sipangan baku antar kelopok (S B ). Berdasarkan nilai sipangan baku dala kelopok (S w ) napak bahwa ZPI revisi lebih konsisten kecil jika dibandingkan dengan ZPI BMKG (Tabel 5). Naun sipangan baku antar kelopok (S B ) belu enunjukkan perbedaan yang nyata. Tabel 5. Nilai sipangan baku dala kelopok (S w ) dan antar kelopok (S B ) asing-asing score faktor enurut ZPI BMKG dan ZPI Revisi Sipangan baku SF SF SF3 SF4 SF SF SF3 SF ZPI BMKG ZPI Baru S w 0,40 0,5 0,68 0, , S B,,3 0,88, ,87 0,70 0,66 KESIMPULAN Kesipulan yang didapat dari penelitian ini adalah sebagai berikut:. Berdasarkan nilai rataan rasio S w /S b enunjukkan hasil kelopok yang optial untuk kedua etode FCM dan FCS diperoleh saa yaitu sebanyak 0 kelopok. Metode FCM diperoleh nilai yang paling iniu yaitu 0,483 dari pada etode FCSyaitu 0,798. Metode FCM epunyai hasil yang lebih baik sehingga berpotensi untuk enghasilkan ZPI yang hoogen jika dibandingkan dengan etode FCS Hasil pengelopokkan enggunakan etode FCM setelah engalai revisi (pengelopokkan ulang) diperoleh 9 kelopok atau 9 zona. Anggota kelopok asing-asing zona adalah sebagai berikut: a) Zona : Karawang bagian barat laut b) Zona : Karawang bagian barat daya c) Zona 3 : Karawang bagian tengah, sebagian Subang bagian utara d) Zona 4 : Pantai utara Karawang/Subang/Indraayu e) Zona 5 : Sebagian Subang bagian tengah sebelah tiur, sebagian Indraayu bagian tengah sebelah barat f) Zona 6 : Sebagian subang bagian tenggara, sebagian indraayu bagian barat daya g) Zona 7 : Subang bagian selatan h) Zona 8 : sebagian Indraayu bagian selatan dan barat daya 4

15 i) Zona 9 : sebagian Indraayu bagian tiut dan tenggara.. Hoogenitas ikli hasil zona revisi enggunakan Metode FCM (ZPI revisi) epunyai kinerja lebih bagus dari pada hasil pengelopokkan yang diperoleh dari hasil ZPI BMKG. DAFTAR PUSTAKA Abonyi, J. dan Szeifert, F Supervised Fuzzy Clustering for the Identification of Fuzzy Classifiers. Journal Elsevier. 4:95-07 Bunkers, M.J. dan Miller, J. R Definition of Cliate Regions in the Northern Plains Using an Objective Cluster Modification Technique. Journal of Cliate. 9: Dave,R.N. 99. Generalized Fuzzy C-Shell Clustering and Detection of Circular And Elliptical Boundaries. Journal Pergaon Pattern Regognition 5(7):73-7 Johnson, R.A dan Wichern, D.W. 00. Applied Multivariate Statistical Analysis. 5 th edition, Prentice Hall, Upper Sandle River, New Jerse Klawonn, F. dan Keller, A Fuzzy Clustering and Fuzzy Rules. Science Journal Pedrycz, W., 006. Collaborate and Knowledge-Based Fuzzy Clustering. International Journal of Innovative Coputing, inforation and Control 3():- Pi, D., Qin, X., Wang, Q., 006. Fuzzy Clustering Algorita Based on Tree For Association Rules. International Journal of Inforation Tecnology. (3): 43-5 Sutikno, Boer R, Bey A, Notodiputro KA, dan Las I Evaluasi Zona Prakiraan Ikli (ZPI) untuk Kabupaten Karawang, Subang, dan Indraayu dengan Pendekatan Analisis Kelopok. Buletin Meteorologi dan Geofisika. 3(4): RIWAYAT HIDUP PENULIS Azwar Habibi, S.Si. dilahirkan di Jeber, Jawa Tiur pada tanggal 4 April 985. Pendidikan Sarjana (S) ditepuh di Jurusan Mateatika FMIPA-UNEJ antara tahun 003 sapai 007. Saat ini penulis adalah ahasiswa Progra Pascasarjana (S) pada Jurusan Statistika FMIPA-ITS. 5