METODE ANALISIS KLASIFIKASI BERSTRUKTUR POHON (Clastfication Trees) UNTUK PRAKIRAAN SIFAT HUJAN BULANAN DI SEMARANG

Abstract

Badan Meteorologi dan Geofisika (BMG) adalah instansi yang memberikan informasi kepada masyarakat tentang prakiraan sifat hujan bulanan. Metode yang digunakan BMG selama ini untuk memperkirakan sifat hujan bulanan adalah metode Probabilitas, metode Regresi Linier Osilasi Selatan dan metode regresi Linier Curah Hujan ( Hadiyanto, 1994). Berdasarkan evaluasi ketiga metode tersebut memiliki tingkat ketepatan yang kecil (dibawah 50 %), sehingga diperlukan pendekatan metode yang memiliki tingkat ketepatan yang lebih baik. Tujuan penelitian adalah memberikan altematif analisis yang dipergunakan untuk memprakirakan sifat hujan bulanan. Analisis yang dipergunakan adalah metode klasifikasi berstruktur pohon. Sifat hujan merupakan variabel kategorik dibedakan atas tiga kategori yaitu Bawah Normal, Normal dan Diatas Normal , Sedangkan variabel-variabel terukur yaitu suhu, tingkat penyinaran matahari, tekanan udara, kelembahan nisbi, indeks osilasi merupakan variabel kontinyu. Fungsi sebaran variabel yang kontinu yaitu sebaran Normal yang melandasi analisis regresi linear ternyata tidak selalu meneerminkan pola sebaran data yang ada, Sifat hujan merupakan variabel kategorik kurang tepat jika dijadikan sebagai variabel tak bebas dalam analisis regresi linear Tidak terpenuhinya asumsi fungsi sebaran variabel pada metode pendugaan optimum dari analisis regresi linear akan mengakibatkan ketidaktepatan pendugaan ( Aunuddin, 1989 ) dan model yang didapatkan tidak dapat diandalkan (Myers, 1990) Metode klasifikasi berstruktur pohon dari himpunan data yang besar merupakan transformasi monotonik yang akan memilahkan variabel tak bebas y yang berjenis kategorik Berdasarkan variabel-variabel bebas x berjenis kategorik, kontinyu ataupun kombinasi keduanya. Berdasarkan jenis variabelnya maka metode klasifikasi pohon dapat diterapkan untuk memperkirakan sifat hujan bulanan. Sebanyalt 240 (bulan) data untuk membuat klasifikasi, variable tak bebas berupa sifat hujan bulanan sedangkan variable tak bebas sebanyak delapan. Analisis data digunakan program S Plus 2000. Pembentukan pohon kiasifikasi digunkan metode CART (Classification and Regression Trees) ( Breiman, at al , 1984) Pohon kiasifikasi optimum mengandung 22 simpul terminal dengan nilai harapan tingkat kesalahan pengklasifikasian sebesar 0.33. Peubah yang paling berpcngaruh dalam menentukan sifat hujan bulanan adalah kelembaban nisbi pada jam 13.00 wib. Ketepatan prakiraan dari metode pohon kiasifikasi dengan menggunakan data November 2002 sd November 2003 adalah sebesar 80 %.