SPASIAL CLASIFICATION MINING UNTUK MENENTUKAN PRAKIRAAN CURAH HUJAN BERDASARKAN KARAKTERISTIK WILAYAH

Transkripsi

1 Studia Informatika: Jurnal Sistem Informasi, 9(2), 206, SPASIAL CLASIFICATION MINING UNTUK MENENTUKAN PRAKIRAAN CURAH HUJAN BERDASARKAN KARAKTERISTIK WILAYAH Eva Khudzaeva Proram Studi Sistem Informasi, Fakultas Sains dan Teknoloi, Universitas Islam Neeri Jakarta UIN Jakarta. Jl. Ir. H. Juanda No.95, Ciputat Jakarta eva.khudzaeva@uinjkt.ac.id ABSTRACT Information about the condition of rainfall is one of the essential elements and a bi influence on all kinds of livelihood activities, Banten province is a reion that is characteristic of the reion vary, so study the spatial patterns of the relationship between rainfall data with the characteristics of the reion, will obtain the factors that influence precipitation and can determine the bulk rainfall prediction based on its characteristics in Banten Province. Data minin provides the desired search patterns in lare databases to assist in decision makin at a time when it comes to lookin for patterns of relatedness in the used minin methods usin decision tree classification, where the rainfall data will be classified with reional characteristics, so as to enerate a forecast of rainfall. Keywords: Forecast rainfall, reional characteristics, classification minin, decision tree ABSTRAK Informasi menenai kondisi curah hujan adalah salah satu unsur pentin dan besar penaruhnya terhadap seala macam aktifitas kehidupan, Provinsi Banten merupakan wilayah yan karakteritik wilayahnya berbeda-beda, sehina mempelajari pola spasial keterkaitan antara data curah hujan denan karakteristik wilayah, akan memperoleh faktor-faktor yan mempenaruhi curah hujan dan dapat menentukan prakiran curah hujn berdasarkan karakteristik wilayah di Provinsi Banten. Data minin berisi pencarian pola yan diininkan dalam database besar untuk membantu dalam penambilan keputusan diwaktu yan akan datan untuk mencari pola keterkaitan tersebut diunakan metode classification minin menunakan decision tree, dimana data curah hujan akan diklasifikasikan denan karakteristik wilyah, sehina menhasilkan prakiraan curah hujan. Kata Kunci : Prakiraan curah hujan, karakteristik wilyah, classification minin, decision tree I. Pendahuluan Informasi menenai kondisi curah hujan adalah salah satu unsur pentin dan besar penaruhnya terhadap seala macam aktifitas kehidupan, contohnya pada bidan pertanian, curah hujan berpenaruh terhadap pola produktivitas tanaman yan terantun terhadap informasi curah hujan, beitu jua penaruh curah hujan terhadap bidan lainnya seperti, perikanan, perindustrian, penerbanan, pelayanan publik, transportasi dan sebaainya. Pohon Keputusan merupakan representasi sederhana dari teknik klasifikasi yan merupakan proses pembelajaran suatu funsi tujuan yan memetakan tiap himpunan atribut ke satu dari kelas yan didefenisikan sebelumnya Pohon keputusan merupakan salah satu metode klasifikasi yan palin populer karena mudah untuk diinterpretasi oleh manusia. Denan kemampuannya untuk mem-break down proses penambilan keputusan yan kompleks menjadi lebih simple. Pohon keputusan jua dapat menemukan hubunan tersembunyi antara sejumlah calon variabel input denan sebuah variabel taret. Selain itu pohon keputusan dapat memadukan antara eksplorasi data dan pemodelan, sehina sanat baik sebaai lankah awal dalam proses pemodelan. Denan menunakan metode pohon keputusan dapat menhindari munculnya permasalahan denan menunakan kriteria yan jumlahnya lebih sedikit pada setiap node internal tanpa banyak menurani kualitas keputusan yan dihasilkan. Dan kekuranan dari pohon keputusan diantaranya adalah terjadi overlap terutama ketika kelas-kelas dan kriteria yan diunakan jumlahnya sanat banyak dan kualitas 89 Copyriht 206, Studia Informatika: Jurnal Sistem Informasi, P-Issn

2 Spasial Classification Minin.. Khudzaeva, eva hasil keputusan yan didapatkan sanat terantun pada baaimana pohon tersebut didesain. Provinsi banten merupakan provinsi yan berdampinan denan Ibukota Neara, Banten resmi menjadi sebuah provinsi ke-30 di Neara Kesatuan Republik Indonesia (NKRI) sejak tahun 0, dibentuk melalui Undan-undan nomor 23 tahun 0. Provinsi Banten berada diantara lintan selatan dn bujur timur yan terbai dalam 8 daerah kota dan Kabupaten. Provinsi Banten bila dikaitkan denan posisi eorafis dan kondisi toponomi pemerintahan, maka Provinsi Banten merupakan wilayah yan memiliki banyak keiatan perindustrian dan pertanian, di wilayah Banten sendiri memiliki karekteristik wilayah yan berbeda dan jua curah hujan yan berbeda-beda. Berdasarkan uraian diatas maka penelitian ini akan meneliti pola keterkaitan antara data curah hujan denan karakteristik wilayah, sehina faktorfaktor yan mempenaruhi curah hujan ini akan diunakan menentukan prakiraan curah hujan di wilayah Banten. Proses untuk menentukan pola keterkitan curah hujan dan karakteristik wilayah, diolah menunakan data minin curah hujan dan data spasial karakteristik wilayah, menunakan metode klasifikasi decision tree. 2. Metodeloi Penelitian A. Bahan. Peta vektor Provinsi Banten dalam format shapefile denan ekstensi *shp menunakansistem proyeksi eorafiyan dinyatakan dalam besaran sudut (derajat) lintan dan bujur dan proyeksi Universal Transverse Mercator(UTM). 2. Peta vektor toporfi di Provinsi Banten dalam format shapefile denan ekstensi *shp menunakan sistem proyeksi eoarfi dalam besaran sudut lintan dan bujur jua UTM. 3. Data non spasial berupa data atribut curah hujan yan telah tersedia dan diproses, ditambahkan denan masukkan data lain yan mendukun analisis data. Menentukan Node Dalam data sampel tentukan dulu node terpilih, yaitu denan menhitun nilai informasi ain masinmasin atribut untuk menentukan node terpilih, menunakan nilai informasi ain yan palin besar, nilai ain diperoleh dari nilai entropy dari masinmasin variabel, menunakan rumus dibawah ini:...() Denan : S : Himpunan Kasus A : Fitur n : Jumlah partisi S pi : Proporsi dari Si terhadap S (2) S : Himpunan kasus A : Atribut n : Jumlah partisi atribut A Si : Jumlah kasus pada partisi ke i S : Jumlah kasus dalam S II. HASIL A. Analisa Data Minin Data pada table 3. sanat banyak dan tidak lenkap dan inkonsisten umumnya terjadi pada setiap database. Data yan tidak lenkap disebabkan karena adanya data yan koson atau atribut yan salah, sehina proses data preprocessin perlu dilakukan sehina database sesuai denan ketentuan yan diperlukan. berikut sebaran stasiun curah hujan dan ketinian wilayah provinsi banten. 90 Copyriht 206, Studia Informatika: Jurnal Sistem Informasi, P-Issn

3 Studia Informatika: Jurnal Sistem Informasi, 9(2), 206, Gambar Peta Provinsi Banten Peta 2. Peta Kontur 9 Copyriht 206, Studia Informatika: Jurnal Sistem Informasi, P-Issn

4 Spasial Classification Minin.. Khudzaeva, eva Data preprocessin merupakan hal yan pentin dalam proses data minin, hal yan termasuk antara lain : B. Data Selection Data Curah Hujan dan Toporafi tersebut nantinya akan menjadi kasus dalam proses operasional data minin. Dari data yan ada, kolom yan diambil sebaai atribut/variable keputusan adalah survive. sedankan kolom yan diambil variabel penentuan dalam pembentukan pohon keputusan adalah:. Koordinat x,y/nama stasiun 2. Kateori Curah hujan bulanan ditentukan dari BMKG, curah hujan bulanan dikateorikan menjadi 4 kateori, antara lain kateori curah hujan rinan (0 00 mm), kateori curah hujan sedan (0 mm), kateori curah hujan tini ( mm), dan kateori curah hujan sanat tini (diatas 40mm) 3. Toporafi ketinian wilayah Banten ditentukan dari ketinian karakteristik wilayah yan ada di provinsi Banten 4. Toporafi kelerenan wilayah Banten ditentukan dari kelerenan wilayah yan ada di Provinsi banten C. Data Preprocessin/Data Cleanin Data cleanin diterapkan untuk menambah isi atribut yan hilan atau koson, dan merubah data yan tidak konsisten. Data Transformasi Dalam proses ini, data ditranspormasikan ke dalam entuk yan sesuai untuk proses data minin. 2. Data Reduction Reduksi data dilakukan denan menhilankan atribut yan tidak diperlukan sehina ukuran dari database menjadi kecil dan hanya menyertakan atribut yan diperlukan dalam proses data minin, karena akan lebih efisien terhadap data yan lebih kecil. Masalah klasifikasi berakhir denan dihasilkan sebuah penetahuan yan dipresentasikan dalam bentuk diaram yan biasa disebut pohon keputusan (decision tree) untuk menentukan pola curah hujan terhadap karakteristik fisik, kriteria yan diperhatikan adalah banyakny curah hujan yan terjadi disuatu wilayah dilihat berdasarkan karakteristik fisik wilayah dilihat dari toporafi ketinian dan kelerenan. Reduksi data dilakukan denan menhilankan atribut yan tidak diperlukan sehina ukuran dari database menjadi kecil dan hanya menyertakan atribut yan diperlukan dalam proses data minin, karena akan lebih efisien terhadap data yan lebih kecil. Masalah klasifikasi berakhir denan dihasilkan sebuah penetahuan. Masalah klasifikasi berakhir denan dihasilkan sebuah penetahuan yan dipresentasikan dalam bentuk diaram pohon keputusan (decision tree) untuk menentukan, kriteria yan diperhatikan adalah data curah hujan, data ketinian, dan data leren. D. Menubah Data Menjadi Tree Dalam menubah data menjadi tree terlebih dahulu data dinyatakan dalam bentuk tabel denan atribut dan record. Atribut menyatakan suatu parameter yan dibuat sebaai kriteria dalam pembentukan tree. E. Menentukan Node Dalam data sampel tentukan dulu node terpilih, yaitu denan menhitun nilai informasi ain masin-masin atribut untuk menentukan node terpilih, unakan nilai informasi ain yan palin besar, nilai ain diperoleh dari nilai entropy dari masin-masin variabel, menunakan rumus dibawah ini: a. Menhitun jumlah kasus pada ketinian yan keputusan >=50, 3, 2, dan, hujan bulan Januari. Setelah itu lakukan nilai total entropy adalah.97455, curah hujan januari diperoleh dari rumus ain, nilai Gain leren sebesar (0.9248) dan nilai Gain curah hujan adalah ( ). jadi nilai ain tertini terdapat pada atribut hujan. denan demikian leren dapat menjadi node akar. ada 4 nilai atribut dari jan yaitu sanat tini, tini, sedan dan rinan. Dari keempat nilai atribut tersebut atribut sedan masih perlu diperhitunkan lai. 92 Copyriht 206, Studia Informatika: Jurnal Sistem Informasi, P-Issn

5 Studia Informatika: Jurnal Sistem Informasi, 9(2), 206, Sanat tini >=50 3 Tini Jan sedan 2-5% >=50 3. leren Rinan 5-40% 2 nilai total entropy adalah.97455, curah hujan Maret diperoleh dari rumus ain, nilai Gain leren sebesar (0.9248) dan nilai Gain curah hujan adalah (0.7039). jadi nilai ain tertini terdapat pada atribut curah hujan. denan demikian curah hujan dapat menjadi node akar. ada 4 nilai atribut dari jan yaitu sanat tini, tini, sedan dan rinan. Dari keempat nilai atribut tersebut atribut sedan masih perlu diperhitunkan lai. b. Menhitun jumlah kasus pada ketinian yan keputusan >=50, 3, 2, dan, hujan bulan Januari. Setelah itu lakukan Sanat tini Tini >=50 3 Jan sedan 2-5%. leren Rinan 5-40% nilai total entropy adalah.97455, curah hujan febuaari diperoleh dari rumus ain, nilai Gain leren sebesar (0.9248) dan nilai Gain curah hujan adalah (.97455). jadi nilai ain tertini terdapat pada atribut curah hujan. denan demikian curah hujan dapat menjadi node akar. ada 4 nilai atribut dari jan yaitu sanat tini, tini, sedan dan rinan. Dari keempat nilai atribut tersebut atribut sedan masih perlu diperhitunkan lai. Sanat Tini >=50 3 Jan sedan 2-5%. leren >=50 3 Rinan 5-2 >= d. Menhitun jumlah kasus pada ketinian yan keputusan >=50, 3, 2, dan, hujan bulan april. Setelah itu lakukan nilai total entropy adalah.97455, curah hujan April diperoleh dari rumus ain, nilai Gain leren sebesar (0.9248) dan nilai Gain curah hujan adalah (0.3932). jadi nilai ain tertini terdapat pada atribut curah hujan. denan demikian curah hujan dapat menjadi node akar. ada 4 nilai atribut dari jan yaitu sanat tini, tini, sedan dan rinan. Dari keempat nilai atribut tersebut atribut sedan masih perlu diperhitunkan lai. c. Menhitun jumlah kasus pada ketinian yan keputusan >=50, 3, 2, dan, hujan bulan Maret. Setelah itu lakukan 93 Copyriht 206, Studia Informatika: Jurnal Sistem Informasi, P-Issn

6 Spasial Classification Minin.. Khudzaeva, eva >=5 0 e. Menhitun jumlah kasus pada ketinian yan keputusan >=50, 3, 2, dan, hujan bulan Januari. Setelah itu lakukan nilai total entropy adalah.97455, curah hujan Mei diperoleh dari rumus ain, nilai Gain leren sebesar (0.9248) dan nilai Gain curah hujan adalah ( ). jadi nilai ain tertini terdapat pada atribut curah hujan. denan demikian curah hujan dapat menjadi node akar. ada 4 nilai atribut dari jan yaitu sanat tini, tini, sedan dan rinan. Dari keempat nilai atribut tersebut atribut sedan masih perlu diperhitunkan lai. >=5 0 >=50 3 Tin Ler en Leren Tin 2-5% 5-40% Tini. >=50 3 Sed Sedan Rin f. Menhitun jumlah kasus pada ketinian yan keputusan >=50, 3, 2, dan, rin 20 - Rinan rinan >=50 hujan bulan Juni. Setelah itu lakukan Nilai total entropy adalah.97455, curah hujan juni diperoleh dari rumus ain, nilai Gain leren sebesar (0.9248) dan nilai Gain curah hujan adalah (0.032). jadi nilai ain tertini terdapat pada atribut curah hujan. denan demikian curah hujan dapat menjadi node akar. ada 4 nilai atribut dari jan yaitu sanat tini, tini, sedan dan rinan. Dari keempat nilai atribut tersebut atribut sedan masih perlu diperhitunkan lai. >=50 2-5% 3 Tin Lere n 5-40% Tin i. 3 Seda Rin an rina n 2. Menhitun jumlah kasus pada ketinian yan keputusan >=50, 3, 2, dan, hujan bulan Juli. Setelah itu lakukan Nilai total entropy adalah.97455, curah hujan Juli diperoleh dari rumus ain, nilai Gain leren sebesar (0.9248) dan nilai Gain curah hujan adalah ( ). jadi nilai ain tertini terdapat pada atribut curah hujan. denan demikian curah hujan dapat menjadi node akar. ada 4 nilai atribut dari jan yaitu sanat tini, tini, sedan dan rinan. Dari keempat nilai atribut tersebut atribut sedan masih perlu diperhitunkan lai. 94 Copyriht 206, Studia Informatika: Jurnal Sistem Informasi, P-Issn

7 Studia Informatika: Jurnal Sistem Informasi, 9(2), 206, >=50 3 Leren 2-5% 5-40%. Rinan i. Menhitun jumlah kasus pada ketinian yan keputusan >=50, 3, 2, dan, hujan bulan Januari. Setelah itu lakukan h. Menhitun jumlah kasus pada ketinian yan keputusan >=50, 3, 2, dan, hujan bulan Januari. Setelah itu lakukan Nilai total entropy adalah.97455, curah hujan austus diperoleh dari rumus ain, nilai Gain leren sebesar (0.9248) dan nilai Gain curah hujan adalah ( ). jadi nilai ain tertini terdapat pada atribut leeren. denan demikian leren dapat menjadi node akar. ada 3 nilai atribut dari leren yaitu, 2-5% dn 5-40%. Dari ketia nilai atribut tersebut atribut sedan masih perlu diperhitunkan lai. Tin >=50 3 Leren 2-5% 5-40% Tini >=50 3. Sedan Rinan rinan 2 >=50 Nilai total entropy adalah.97455, curah hujan September diperoleh dari rumus ain, nilai Gain leren sebesar (0.9248) dan nilai Gain curah hujan adalah ( ). jadi nilai ain tertini terdapat pada atribut curah hujan. denan demikian curah hujan dapat menjadi node akar. ada 4 nilai atribut dari jan yaitu sanat tini, tini, sedan dan rinan. Dari keempat nilai atribut tersebut atribut sedan masih perlu diperhitunkan lai. >=50 2-5% 3 Tin Leren 5-40% Tini. 3 Seda n Rina n rinan 2 j. Menhitun jumlah kasus pada ketinian yan keputusan >=50, 3, 2, dan, hujan bulan Oktober. Setelah itu lakukan Tin Tini >=50 3 Sedan rinan 2 Nilai total entropy adalah.97455, curah hujan oktober diperoleh dari rumus ain, nilai Gain leren sebesar (0.9248) dan nilai Gain curah hujan adalah ( ). jadi nilai ain tertini terdapat pada atribut curah hujan. denan demikian curah hujan dapat menjadi node akar. ada 4 nilai atribut dari jan yaitu sanat tini, tini, sedan dan rinan. Dari 95 Copyriht 206, Studia Informatika: Jurnal Sistem Informasi, P-Issn

8 Spasial Classification Minin.. Khudzaeva, eva keempat nilai atribut tersebut atribut sedan masih perlu diperhitunkan lai. >= % 3 Lere n Rin an >= % 3 Lere n Rin an Tin >=5 0 Tin i 3 Seda n rina n 2 Tin >=5 0 Tin i 3 Sed rina n 2 l. Menhitun jumlah kasus pada ketinian yan keputusan >=50, 3, 2, dan, hujan bulan Desember. Setelah itu lakukan k. Menhitun jumlah kasus pada ketinian yan keputusan >=50, 3, 2, dan, hujan bulan Nopember. Setelah itu lakukan Nilai total entropy adalah.97455, curah hujan Nopember diperoleh dari rumus ain, nilai Gain leren sebesar (0.9248) dan nilai Gain curah hujan adalah ( ). jadi nilai ain tertini terdapat pada atribut curah hujan. denan demikian curah hujan dapat menjadi node akar. ada 4 nilai atribut dari jan yaitu sanat tini, tini, sedan dan rinan. Dari keempat nilai atribut tersebut atribut sedan masih perlu diperhitunkan lai. Nilai total entropy adalah.97455, curah hujan Desember diperoleh dari rumus ain, nilai Gain leren sebesar (0.9248) dan nilai Gain curah hujan adalah ( ). jadi nilai ain tertini terdapat pada atribut curah hujan. denan demikian curah hujan dapat menjadi node akar. ada 4 nilai atribut dari jan yaitu sanat tini, tini, sedan dan rinan. Dari keempat nilai atribut tersebut atribut sedan masih perlu diperhitunkan lai. >=50 3 Leren 2-5% 5-40%. Rinan Tin Tini Sedan rinan >= Copyriht 206, Studia Informatika: Jurnal Sistem Informasi, P-Issn

9 Studia Informatika: Jurnal Sistem Informasi, 9(2), 206, m. Menhitun jumlah kasus pada ketinian yan keputusan >=50, 3, 2, dan, hujan bulan Desember. Setelah itu lakukan atribut nilai total entropy adalah.97455, curah hujan Desember diperoleh dari rumus ain, nilai Gain leren sebesar (0.9248) dan nilai Gain curah hujan adalah ( ). jadi nilai ain tertini terdapat pada atribut curah hujan. denan demikian curah hujan dapat menjadi node akar. ada 4 nilai atribut dari jan yaitu sanat tini, tini, sedan dan rinan. Dari keempat nilai atribut tersebut atribut sedan masih perlu diperhitunkan lai. >=50 3 Tin Leren 2-5% 5-40% Tini. >=50 3 Sedan Rinan rinan 2 Ilustrasi tree view menunakan software orane disajikan pada ambar Gambar 2. Tree curah hujan III. Kesimpulan Kesimpulannya setelah didapatkan tree kemudian rule dari prakiraan curah hujan adalah sebaai berikut: a. curah hujan januari R : if = Sanat tini THEN Ketinian >= 50 R2 : if = Tini THEN Ketinian 350 R3 : if = sedan ^ leren THEN ketinian >=50 R4 : if = sedan ^leren 2-5% THEN ketinian 3 97 Copyriht 206, Studia Informatika: Jurnal Sistem Informasi, P-Issn

10 Spasial Classification Minin.. Khudzaeva, eva R5 : if =sedan ^ leren 5-40% THEN ketinian 2 R = = Sanat tini maka Ketinian >= 50 R2 = = Tini maka Ketinian 350 R3 = = sedan = leren maka ketinian >=50 R4 = = sedan = leren 2-5% maka ketinian 3 R5 ==sedan = leren 5-40% maka ketinian 2 b. curah hujan februari R : if = Sanat tini THEN Ketinian >= 50 R2 : if = Tini THEN Ketinian 350 R3 : if = sedan ^ leren THEN ketinian >=50 R4 : if = sedan ^leren 2-5% THEN ketinian 3 R4 : if =sedan ^ leren 5-40% THEN ketinian 2 R = = Sanat tini maka Ketinian >= 50 R2 = = Tini maka Ketinian 350 R3 = = sedan = leren maka ketinian >=50 R4 = = sedan = leren 2-5% maka ketinian 3 R5 ==sedan = leren 5-40% maka ketinian 2 c. curah hujan Maret R : if leren = THEN Ketinian= >=50 R2 : if leren= 2-5% THEN ketinian =3 R3 : if leren= 5-40% ^ = Sanat Tini THEN ketinian >=50 R4 : if leren=5-40% ^ = tini THEN ketinian =3 R5: if leren= 5-40% ^ = Sedan THEN R6 : if leren=5-40% ^ = rinan THEN R = leren = maka Ketinian= >=50 R2 = leren= 2-5% maka ketinian =3 R3 = leren= 5-40% = = Sanat Tini maka ketinian >=50 R4 = leren=5-40% = = tini maka ketinian =3 R5= leren= 5-40% = = Sedan maka R6 = leren=5-40% = = rinan = d. curah hujan April R : if leren = THEN Ketinian= >=50 R2 : if leren= 2-5% THEN ketinian =3 R3 : if leren= 5-40% ^ = Sanat Tini THEN ketinian >=50 R4 : if leren=5-40% ^ = tini THEN ketinian =3 R5: if leren= 5-40% ^ = Sedan THEN R6 : if leren=5-40% ^ = rinan THEN R = leren = maka Ketinian= >=50 R2 = leren= 2-5% maka ketinian =3 R3 = leren= 5-40% = = Sanat Tini maka ketinian >=50 R4 = leren=5-40% = = tini maka ketinian =3 R5= leren= 5-40% = = Sedan maka R6 = leren=5-40% = = rinan = e. curah hujan Mei R : if leren = THEN Ketinian= >=50 R2 : if leren= 2-5% THEN ketinian =3 R3 : if leren= 5-40% ^ = Sanat Tini THEN ketinian >=50 R4 : if leren=5-40% ^ = tini THEN ketinian =3 R5: if leren= 5-40% ^ = Sedan THEN R6 : if leren=5-40% ^ = rinan THEN R = leren = maka Ketinian= >=50 R2 = leren= 2-5% maka ketinian =3 R3 = leren= 5-40% = = Sanat Tini maka ketinian >=50 98 Copyriht 206, Studia Informatika: Jurnal Sistem Informasi, P-Issn

11 Studia Informatika: Jurnal Sistem Informasi, 9(2), 206, R4 = leren=5-40% = = tini maka ketinian =3 R5= leren= 5-40% = = Sedan maka R6 = leren=5-40% = = rinan = f. curah hujan Juni R : if leren = THEN Ketinian= >=50 R2 : if leren= 2-5% THEN ketinian =3 R3 : if leren= 5-40% ^ = Sanat Tini THEN ketinian >=50 R4 : if leren=5-40% ^ = tini THEN ketinian =3 R5: if leren= 5-40% ^ = Sedan THEN R6 : if leren=5-40% ^ = rinan THEN R = leren = maka Ketinian= >=50 R2 = leren= 2-5% maka ketinian =3 R3 = leren= 5-40% = = Sanat Tini maka ketinian >=50 R4 = leren=5-40% = = tini maka ketinian =3 R5= leren= 5-40% = = Sedan maka R6 = leren=5-40% = = rinan =. curah hujan Juli R : if leren = THEN Ketinian= >=50 R2 : if leren= 2-5% THEN ketinian =3 R3 : if leren= 5-40% ^ = Sanat Tini THEN ketinian >=50 R4 : if leren=5-40% ^ = tini THEN ketinian =3 R5: if leren= 5-40% ^ = Sedan THEN R6 : if leren=5-40% ^ = rinan THEN R = leren = maka Ketinian= >=50 R2 = leren= 2-5% maka ketinian =3 R3 = leren= 5-40% = = Sanat Tini maka ketinian >=50 R4 = leren=5-40% = = tini maka ketinian =3 R5= leren= 5-40% = = Sedan maka R6 = leren=5-40% = = rinan = h. curah hujan Austus R : if leren = THEN Ketinian= >=50 R2 : if leren= 2-5% THEN ketinian =3 R3 : if leren= 5-40% ^ = Sanat Tini THEN ketinian >=50 R4 : if leren=5-40% ^ = tini THEN ketinian =3 R5: if leren= 5-40% ^ = Sedan THEN R6 : if leren=5-40% ^ = rinan THEN R = leren = maka Ketinian= >=50 R2 = leren= 2-5% maka ketinian =3 R3 = leren= 5-40% = = Sanat Tini maka ketinian >=50 R4 = leren=5-40% = = tini maka ketinian =3 R5= leren= 5-40% = = Sedan maka R6 = leren=5-40% = = rinan = i. curah hujan September R : if leren = THEN Ketinian= >=50 R2 : if leren= 2-5% THEN ketinian =3 R3 : if leren= 5-40% ^ = Sanat Tini THEN ketinian >=50 R4 : if leren=5-40% ^ = tini THEN ketinian =3 R5: if leren= 5-40% ^ = Sedan THEN R6 : if leren=5-40% ^ = rinan THEN R = leren = maka Ketinian= >=50 R2 = leren= 2-5% maka ketinian =3 R3 = leren= 5-40% = = Sanat Tini maka ketinian >=50 R4 = leren=5-40% = = tini maka ketinian =3 R5= leren= 5-40% = = Sedan maka 99 Copyriht 206, Studia Informatika: Jurnal Sistem Informasi, P-Issn

12 Spasial Classification Minin.. Khudzaeva, eva R6 = leren=5-40% = = rinan = j. curah hujan Oktober R : if leren = THEN Ketinian= >=50 R2 : if leren= 2-5% THEN ketinian =3 R3 : if leren= 5-40% ^ = Sanat Tini THEN ketinian >=50 R4 : if leren=5-40% ^ = tini THEN ketinian =3 R5: if leren= 5-40% ^ = Sedan THEN R6 : if leren=5-40% ^ = rinan THEN R = leren = maka Ketinian= >=50 R2 = leren= 2-5% maka ketinian =3 R3 = leren= 5-40% = = Sanat Tini maka ketinian >=50 R4 = leren=5-40% = = tini maka ketinian =3 R5= leren= 5-40% = = Sedan maka R6 = leren=5-40% = = rinan = k. curah hujan Nopember R : if leren = THEN Ketinian= >=50 R2 : if leren= 2-5% THEN ketinian =3 R3 : if leren= 5-40% ^ = Sanat Tini THEN ketinian >=50 R4 : if leren=5-40% ^ = tini THEN ketinian =3 R5: if leren= 5-40% ^ = Sedan THEN R6 : if leren=5-40% ^ = rinan THEN R = leren = maka Ketinian= >=50 R2 = leren= 2-5% maka ketinian =3 R3 = leren= 5-40% = = Sanat Tini maka ketinian >=50 R4 = leren=5-40% = = tini maka ketinian =3 R5= leren= 5-40% = = Sedan maka R6 = leren=5-40% = = rinan = l. curah hujan Desember R : if leren = THEN Ketinian= >=50 R2 : if leren= 2-5% THEN ketinian =3 R3 : if leren= 5-40% ^ = Sanat Tini THEN ketinian >=50 R4 : if leren=5-40% ^ = tini THEN ketinian =3 R5: if leren= 5-40% ^ = Sedan THEN R6 : if leren=5-40% ^ = rinan THEN R = leren = maka Ketinian= >=50 R2 = leren= 2-5% maka ketinian =3 R3 = leren= 5-40% = = Sanat Tini maka ketinian >=50 R4 = leren=5-40% = = tini maka ketinian =3 R5= leren= 5-40% = = Sedan maka R6 = leren=5-40% = = rinan = ketinian = DAFTAR PUSTAKA []. Abdullah, Atje Setiawan, (203), Spasial Data Minin Menunakan Model Spatial Autoreressive(Sar) Dan Ekspansi Sar Untuk Pemetaan Mutu Pendidikan Di Provinsi Banten, IndoMS Journal on Statistics, Vol., No., (203), Pae [2]. Ahmad, Dhani., hoyyi, hasbi Yasin, (204), Ordinary Kriin Dalam Estimasi Curah Hujan Di Kota Semaran, Jurnal Gausian Vol 3, No : Hal, 5-59 [3]. Azmi, Zulfian & Dahria, Muhammad, Decision Tree Berbasis Aloritma Untuk Penambilan Keputusan, Jurnal Ilmiyah Saintikom Sains dan Komputer, ISSN: [4]. Berry, M.J.A., (4), Data Minin Techniques, John Wiley & Sons [5]. Catur Apralis,(), Perbandinan Model Funsi Transfer dan Arima studi Kasus Antara Curah Hujan denan Kelembaban Udara, Universitas Islam Neri Jakarta [6]. Dwi Nurmalis Fitriyani, (), Penembanan Sistem Manajemen Data Iklim denan Pemodelan objek Relational Berbasis Web, Universitas Islam Neri Jakarta Copyriht 206, Studia Informatika: Jurnal Sistem Informasi, P-Issn

13 Studia Informatika: Jurnal Sistem Informasi, 9(2), 206, [7]. Joko Diarso, (202), Penembanan Sistem Informasi Georafis berbasis Web Pada tinkat Curah Hujan, Universitas Islam Neeri Jakarta [8]. Han, Jiawei, dan Kamber, M.. Data Minin: Concepts and Techniques.Californnia : Academic Press [9]. Sumathi, N., Geetha, R. dan Bama, 8. Spatial Data Minin Technique Trends and Its Applications. Journal of Computer Applications, Vol-. Hal [0]. reference/rst/code/ 20 Copyriht 206, Studia Informatika: Jurnal Sistem Informasi, P-Issn

14 Spasial Classification Minin.. Khudzaeva, eva 202 Copyriht 206, Studia Informatika: Jurnal Sistem Informasi, P-Issn