Penentuan Zona Musim di Mojokerto Menurut Karakteristik Curah Hujan Dengan Metode Time Series Based Clustering

Iftitah Ayundari, Sutikno Sutikno

Abstract


Zona musim adalah daerah  yang pos hujan  rata ratanya memiliki perbedaan yang  jelas antara periode musim  hujan dan  musim kemarau. Metode analisis data yang diterapkan dalam pengelompokkan ZOM ini adalah metode analisis cluster, yaitu mengelompokkan suatu objek yang memiliki kesamaan sifat tanpa menghilangkan struktur alami objek. Oleh karena kelompok yang dihasilkan memiliki makna, seperti pola atau klasifikasi. Data curah hujan merupakan data series sehingga dalam melakukan analisis cluster menggunakan jarak basis time series, yaitu pada penelitian ini menggunkan jarak Dynamic Time Warping (DTW) dan autocorrelation function (ACF). Tujuannya adalah mengetahui karateristik zona musim di seluruh wilayah Mojokerto dan memetakan pola zona musim di Mojokerto berdasarkan data curah hujan menggunakan time series based clustering. Pengelompokan dilakukan dengan membentuk 2 hingga 5 kelompok, dan selanjutnya akan dilakukan pemilihan kelompok optimum dengan pseudo-f statistics dan kriteria silhouette. Data curah hujan yang digunakan adalah curah hujan bulanan. Evaluasi kinerja zona musim dilakukan dengan rasio simpangan baku dimana metode yang dibandingkan adalah pengelompokkan dengan jarak ACF, DTW, dan hasil pengelompokkan oleh BMKG. Berdasarkan hasil evaluasi kinerja zona musim dengan rasio simpangan baku metode terbaik yang dipilih adalah pengelompokkan dengan jarak DTW.

Keywords


Curah Hujan; Clustering; Mojokerto; Zona Musim

Full Text:

PDF

References


W. Bunkers, J. Miller and A. DeGaetano, "Definition of Climate Regions in the Northern Plains Using an Objective Cluster Modification Technique," J.Climate, vol. 9, pp. 130-146, 1996.

BMKG, 2012. [Online]. Available: http://balai3.denpasar.bmkg.go.id/daftar-istilah-musim. [Accessed 19 October 2018].

Rencher and C. Alvin, Methods of Multivariate Analysis Second Edition, United States of America: Wiley-Interscience, 2002.

R. Johnson and D. Wichern, Applied Multivariate Statistical Analysis, New Jersey: Pearson Education, 2007.

R. Johnson and D. Wichern, Applied Multivariate Statistical Analysis, New Jersey: Pearson Education, 2007.

S. Rani and G. Sikka, "Recent Techniques of Clustering of Time Series Data: A survey," International Journal of Computer Applications, vol. 52, 2012.

S. Aghabozorgi, A. Shirkhorshidi and T. Wah, "Time Series Clustering - A decade review," Information System, pp. 16-38, 2015.

V. Niennattrakul and C. Ratanamahatana, "On Clustering Multimedia Time and Dynamic Time Warping," Computer Society, pp. 733-738, 2007.

W. W. S. Wei, Time Series Analysis, New York: Addison Wesley, 2006.

A. Orpin and V. Kostylev, Towards a Statistically Valid Method of Textural Sea Floor Characterization of Benthic Habitats, 2006.

J. Hair, W. C. Black, W. J. Babin and R. Anderson, Multivariate Data Analysis., New Jersey: Pearson Education International, 2010.

L. Kaufman and P. J. Rousseeuw, Finding Groups in Data-An Introduction to Cluster Analysis, New York: Wiley, 1990.

E. Budiyanto, Sistem Informasi Geografis dengan ArcView GIS, Yogyakarta: Penerbit ANDI, 2010.




DOI: http://dx.doi.org/10.12962/j27213862.v2i2.6819

Refbacks

  • There are currently no refbacks.




Creative Commons License
Inferensi by Department of Statistics ITS is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Based on a work at https://iptek.its.ac.id/index.php/inferensi.

ISSN:  0216-308X

e-ISSN: 2721-3862

Web
Analytics Made Easy - StatCounter View My Stats