Pengelompokkan Zona Musim (ZOM) dengan Fuzzy K-Means Clustering

(Studi Kasus :Pengelompokkan ZOM di Kabupaten Ngawi)

1
Febrina Dinar Palupi Utami,
2
Sutikno
1
Mahasiswa Jurusan Statistika FMIPA-ITS (1306 100 037)
2
Dosen Jurusan Statistika FMIPA-ITS
1
fhe_n4@statistika.its.ac.id, 2sutikno@statistika.its.ac.id

Abstrak
Banyak penelitian klimatologi yang bertujuan membuat kelompok stasiun/ wilayah
perkiraan iklim. Badan Meteorologi Klimatologi dan Geofisika (BMKG) telah melakukan
pengelompokkan iklim (pola curah hujan) dengan membuat Zona Musim (ZOM) pada tahun 2009.
Metode yang sering digunakan dalam pembentukan ZOM adalah analisis kelompok (cluster
analysis). Penelitian ini bertujuan mengkaji prosedur pengelompokkan ZOM dan membangun ZOM
serta membandingkan kinerja ZOM di kabupaten Ngawi dengan metode Fuzzy K-Means
Clustering. Metode ini merupakan pengembangan dari metode partisi yang dikenal dengan K-
means. Kelebihan dari metode Fuzzy K-means adalah meminimalkan masalah kegagalan
konvergen yang terjadi pada metode K-means. Variabel yang digunakan adalah tinggi curah hujan
tiap stasiun di Kabupaten Ngawi. Hasil pengelompokkan terbaik dianalisis dengan menggunakan
MANOVA untuk mengetahui apakah ada perbedaan vektor rata-rata pada kelompok yang
terbentuk. Dari hasil analisis dapat disimpulkan bahwa jumlah kelompok ZOM yang terbentuk
dengan metode Fuzzy K-Means sebanyak lima ZOM dan ZOM yang tersebut lebih baik
dibandingkan dengan ZOM BMKG berdasarkan kriteria SW dan SB.
.

Kata kunci: Zona Musim (ZOM), Analisis Faktor, Fuzzy K-means Clustering, MANOVA

1. Pendahuluan Wichern, 2002). Analisis kelompok merupakan

Banyak penelitian klimatologi yang
bertujuan membuat kelompok stasiun atau
wilayah prakiraan iklim. Penggunaan data
kelompok stasiun lebih menguntungkan dari-
ada data masing-masing individu stasiun. Salah
satu keuntungan data kelompok stasiun adalah
data lebih homogen. Badan Meteorologi
Klimatologi dan Geofisika (BMKG) telah
melakukan pengelompokkan iklim (pola curah
hujan) dengan membuat Zona Musim (ZOM)
pada tahun 2009. Pembagian zona tidak
dibatasi oleh wilayah administrasi kabupaten
atau kota, sehingga dalam satu zona tertentu
bisa mencakup beberapa kabupaten/ kota.
Untuk Propinsi Jawa Timur terbagi atas 37
ZOM dan khusus Kabupaten Ngawi terbagi
atas 2 ZOM (www. staklimkarangploso.net).
Metode yang seringkali digunakan
dalam pembentukan ZOM adalah analisis
kelompok (cluster analysis). Analisis
kelompok adalah proses pengelompokan
objek-objek yang didasarkan pada ukuran
kesamaan atau ketidaksamaan (Johnson dan
1
salah satu analisis data eksplanatori yang
bertujuan untuk menentukan kelompok dari
sekelompok objek.
Metode analisis kelompok yang
popular terdiri atas metode hierarkhi dan
metode partisi. Analisis kelompok hierarkhi
yang membentuk diagram dendogram dengan
mendiskripsikan pengelompokkan berdasarkan
jarak. Metode hierarkhi tidak dapat mengelom-
pokkan lebih dari dua objek secara langsung,
sehingga objek dengan ukuran yang sama
terhadap dua atau lebih objek lainnya dikelom-
pokkan secara acak (Johnson dan Wichern,
2002). Masalah lain pada metode hierarkhi
adalah tidak mudah diterapkan pada kasus
dengan jumlah objek yang sangat besar.
Jumlah objek yang sangat besar sangat sulit
untuk digambarkan dalam bentuk diagram
dendogram. Di samping variabel yang
digunakan untuk pengelompokkan tidak boleh
saling dependen.
Metode lain yang digunakan untuk
dapat mengatasi permasalahan pada metode
hierarkhi yaitu metode partisi atau biasa
disebut juga dengan metode non-hierarkhi.
Salah satu metode partisi yang biasa digunakan
adalah metode K-means clustering. Metode K-
means clustering dapat diterapkan pada kasus
dengan jumlah objek yang sangat besar
(Johnson dan Wichern, 2002). Kekurangan
dari metode K-means clustering adalah
penentuan jumlah cluster yang paling tepat dan
kemungkinan terjadinya kegagalan untuk
konvergen, sehingga proses iterasi akan
berlangsung secara terus-menerus (Agusta,
2007).
Pengelompokan dengan mempertim-
angkan tingkat keanggotaan yang mencakup
himpunan fuzzy sebagai dasar pembobotan
bagi pengelompokan disebut dengan fuzzy
clustering (Jang et al, 1997). Metode fuzzy K-
means clustering merupakan pengembangan
dari metode K-means clustering untuk
meminimalkan masalah kegagalan konvergen
(Jang et al, 1997). Dengan menggunakan
metode fuzzy K-means clustering
diperkirakan akan mendapatkan ZOM
yang lebih homogen.
Variabel yang digunakan dalam
pengelompokkan zona musim (ZOM)
adalah tinggi curah hujan bulanan dan
menggunakan pos-pos hujan di Kabupaten
Ngawi sebagai studi kasus. Untuk
mendapatkan pengelompokkan terbaik
dianalisis dengan menggunakan
Multivariate Analysis of Varians
(MANOVA). MANOVA digunakan untuk
mengetahui apakah ada perbedaan vektor
rata-rata pada kelompok yang terbentuk.
Oleh karena itu, penelitian ini
bertujuan untuk mengkaji prosedur
pengelompokkan dan membangun ZOM di
Kabupaten Ngawi dengan fuzzy K-means
clustering. Hasil pengelompokkan ZOM
akan dibandingkan dengan ZOM hasil
BMKG.
2. Tinjauan Pustaka
Analisis Faktor
Analisis faktor mengasumsikan suatu
struktur spesifik tertentu dalam sebuah model
untuk variabel-varabel random. Johnson &
Wichern (2002) mengatakan bahwa tujuan dari
analisis faktor adalah untuk menggambarkan
2
hubungan kovarian antara beberapa variabel
yang mendasari tetapi tidak teramati, kuantitas
random yang disebut faktor. Secara khusus
analisis faktor dapat ditulis sebagai berikut :
X 1 − µ1 = l11 F1 + l12 F2 + ... + l1m Fm + ε1
X 2 − µ 2 = l 21 F1 + l 22 F2 + ... + l 2m Fm + ε 2
: : :
X p − µ p = l p1 F1 + l p 2 F2 + ... + l pm Fm + ε p
Dengan :
F j = Common factor ke-j
l ij = Loading factor ke-j dan variabel ke-i
ε i = Spesific factor ke-i
dimana : i = 1, 2, ..., p dan j = 1, 2, ..., m
Dalam notasi matriks persamaan dapat
ditulis sebagai :
X ( p×1) − µ( p×1) = L( p×m )F(m×1) + ε ( p×1)
Secara garis besar tahapan-tahapan
dalam melakukan analisis faktor adalah
1. Membentuk matrik korelasi dari ma-
triks X yang berukuran n × p
2. Menghitung nilai eigenvalue dan
eigenvector dari matrik korelasi
3. Mengambil nilai eigenvalue yang lebih
besar dari 1
4. Membentuk matriks yang berupa
matriks loading factor , dengan
rumus L = λ1 e1 ... λp e p , λ = eigen-
value dan e = eigen vector.
5. Setelah nilai loading factor diketahui
maka selanjutnya dapat dihitung nilai
communality factor:
hi = li1 + l i 2 + ... + lim
2 2 2 2
Himpunan Fuzzy
Konsep tentang himpunan fuzzy (fuzzy
set = himpunan kabur) diperkenalkan pertama
kali pada bulan July 1964 oleh Prof. Lotfi A.
Zadeh yang menyatakan bahwa ketidakpastian
dapat didekati dengan metode lain selain
pendekatan probabilitas, yaitu konsep
himpunan fuzzy. Himpunan tegas atau
himpunan klasik merupakan himpunan dengan
batas yang jelas.
Jika X adalah kumpulan objek-objek
yang dinyatakan secara umum oleh x, maka
~
himpunan fuzzy A di X didefinisikan sebagai
himpunan pasangan terurut sebagai n q
 q  n

A = {(x; µ A~ ( x )) | x ∈ X } G = ∑∑ µ .d − ∑ λ j  ∑ µ jl − 1
~ w
jl
2
jl
j =1 l =1 j =1  l =1 
dimana µ A~ ( x) : fungsi keanggotaan Untuk mendapatkan derajat
(membership function) untuk himpunan fuzzy keanggotaan tiap-tiap objek, turunan fungsi
~ Lagrange terhadap µ jl sama dengan nol dan
A (Jang et al, 1997).
diperoleh
Peranan himpunan fuzzy dalam
1
kelompok adalah dalam pembentukan fungsi µ jl = 1
dan tingkat keanggotaan dari setiap objek atau
 d 2jl  w−1
q
data dalam kelompok (Pravitasari, 2008).
Tingkat ke-fuzzy-an tidak berasal dari ∑ 
 d 2 
h =1  hl 

keacakan anggota himpunan, tetapi berasal dari
ketidakpastian dan ketidaktepatan pikiran serta dengan j = 1,..., n dan l = 1,2,..., q
konsep yang abstrak (Jang et al, 1997). Sedangkan pusat kelompok dapat
diperoleh dari turunan fungsi Lagrange
Fuzzy K-Means Clustering terhadap vl sama dengan nol. Jadi nilai vl
Fuzzy K-means clustering atau fuzzy diperoleh
n
isodata dikembangkan oleh Bezdek pada tahun
1981 untuk menyelesaikan masalah optimasi ∑µj =1
w
jl xj
(Agusta, 2007). vl = n
; ∀ l = 1,..., q
Metode K-means clustering memiliki
matriks keanggotaan biner yaitu 0 dan 1,
∑µ j =1
w
jl

sedangkan fuzzy K-means clustering memiliki

matriks keanggotaan kontinu antara 0 dan 1. Indeks XB (Xie dan Beni)
Pada fuzzy K-means clustering, fungsi
Untuk menentukan banyak kelompok
keanggotaan memiliki nilai antara 0 sampai 1
dapat dilakukan dengan menghitung Indeks
dengan fungsi pembatas berikut
q
XB (Xie dan Beni). Indeks ini ditemukan oleh
∑µ
l =1
jl = 1; ∀j = 1,..., n Xie dan Beni dan pertama kali dikemukakan
pada tahun 1991 (Pravitasari, 2008). Indeks
Derajat keanggotaan terbesar dari XB dituliskan sebagai berikut
n q
setiap objek menunjukkan kecenderungan
∑∑ (µ
2

objek tersebut menjadi anggota dari kelompok jl ) w x j − vl

j =1 l =1
tertentu. Prinsip utama dari fuzzy K-means XB =
n (min v h − v k )
2
clustering adalah meminimumkan fungsi h≠ k
objektif, yaitu jarak antara objek dengan setiap
pusat kelompok. dimana q = banyak kelompok, µ jl = derajat
n q n q
B = ∑∑ µ wjl .d 2jl = ∑∑ µ wjl x j − vl
2
keanggotaan, d 2jl = jarak pengamatan dengan
j =1 l =1 j =1 l =1
pusat kelompok vl = pusat kelompok dan n =
dengan :
banyak objek yang akan dikelompokkan, serta
vl = pusat kelompok ke-l
min vh − vk = jarak minimum antara pusat
2
µ jl = derajat keanggotaan pada objek ke-j
h≠k
dan kelompok ke-l
w = bobot (w > 1) kelompok v h dan vk .
xj = objek ke-j Kriteria banyak kelompok yang
B = fungsi objektif optimum ditunjukkan dengan nilai indeks XB
Tidak ada nilai w yang optimum, yang minimum pada lembah pertama.
tetapi nilai w yang sering digunakan adalah 2 Penggunaan indeks XB untuk menentukan
(Agusta, 2007). jumlah kelompok yang optimum pada metode
Fungsi objektif dapat diminimumkan fuzzy K-means clustering (CHEN Duo, LI Xue
dengan fungsi pembatas dengan menggunakan dan CUI Du-Wu 2007) menyatakan bahwa
pengganda lagrange indeks XB memiliki ketepatan dan keandalan
yang tinggi untuk memberikan jumlah
3
kelompok yang optimum pada metode fuzzy K- B+W = Jumlah Kuadrat Total Terkoreksi dan
means clustering. hasil kali silang.

Multivariate Analysis of Varian (MANOVA)

Pemeriksaan Asumsi Normal Multivariat
Multivariate Analysis of Variance dan Matrik Varian Kovarian
(MANOVA) merupakan teknik analisis yang
Pemeriksaan asumsi normal
digunakan untuk menguji tentang perbedaan
multivariat dilakukan untuk mengetahui
beberapa vektor rata-rata populasi (Johnson
distribusi data dari variabel independen. Untuk
dan Wichern, 2002). Model MANOVA
mempermudah pemeriksaan dilakukan
dinyatakan sebagai berikut
pemeriksaan distribusi normal multivariat
xij = µ + τ i + eij dengan menggunakan plot χ 2 dengan

dimana menghitung jarak d 2j = (x j − x )'S −1(x j − x ) ,

j = 1,2,..., n dengan xj = objek pengamatan
i = 1,2,..., g , j = 1,2,..., ni
ke-j dan n = banyak pengamatan S-1 = invers
eij merupakan residual Np (0,Σ). matriks varian kovarian berukuran p x p.
Apabila terdapat paling sedikit 50%
Tabel MANOVA untuk perbandingan vektor
rata-rata populasi disajikan pada Tabel 1 dari nilai d 2j ≤ χ (2p ;0 ,5) maka sebaran data
berikut dapat dikatakan mengikuti sebaran distribusi
Tabel 1 Matriks Jumlah Kuadrat MANOVA
normal multivariat atau dapat dilihat dari plot
χ2.
Sumber Matriks Jumlah Kuadrat dan hasil Derajat
variasi kali silang bebas Selanjutnya pemeriksaan dapat
dilanjutkan dengan melakukan pemeriksaan
g
matrik varian kovarian dari suatu data, variabel
Perla-
kuan
B = ∑ n i ( x i − x )( x i − x )' g-1 independen dalam hal ini tingkat curah hujan
i =1
tiap stasiun hujan setiap bulannya harus
g ni g memenuhi asumsi yaitu memiliki matriks
Residual
W = ∑∑ ( x ij − x i )( x ij − x i )' ∑n i −g varian kovarian yang sama. Untuk menguji
i =1 j =1 i =1
kehomogenan matriks varian kovarian antar
kelompok atau grup digunakan statistik uji
Total g ni g Box’s M (Karson, 1982).
B + W = ∑∑ ( xij − x )( xij − x )'
(Terko- i =1 j =1
∑n
i =1
i −1
H0 : Σ1 = Σ2 = ... = Σk
reksi)
H1 : minimal ada satu Σi yang berbeda
(Sumber : Johnson dan Wichern, 2002)
Misalkan Si adalah suatu estimasi tak bias dari
Statistik uji yang digunakan adalah Σi dengan derajat bebas ni pengamatan dari
Wilk’s Lambda dengan rumus sebagai berikut : populasi ke-i.
g ni k
1
W
∑∑ ( xij − xi )( xij − xi )' S= k ∑ (n i − 1) S i
Λ =
*
=
i =1 j =1
∑ (n i − 1) i =1

B +W g ni i =1
∑∑ ( x
i =1 j =1
ij − x )( xij − x )'
dengan S i = ( xi − x )( xi − x )
T

Tolak H0 jika Λ* > F g (α) merupakan estimasi dari matriks varian

p, ∑ ni − p −1 kovarian umum dan statistik ujinya adalah
i =1

k k
dimana W = Jumlah Kuadrat Dalam Perlakuan M = ∑ (ni − 1) ln S − ∑ (ni − 1) ln S i
dan hasil kali silang, B = Jumlah Kuadrat i =1 i =1
Antara Perlakuan dan hasil kali silang dan

4
   b. Uji kesamaan vektor rata-rata antar
2 p + 3p −1
2  k
1 1  kelompok yang terbentuk dengan
C −1 = 1 − ∑ − k  MANOVA
6 ( p + 1)( k − 1)  i =1 n i − 1
 ∑ ( n i − 1)  c. Mendapatkan ZOM baru de-ngan
i =1  mengidentifikasi anggota ZOM
dan tolak H0 jika MC > χ (1 / 2 ( k −1) p ( p +1)(α )
-1 2
dengan MANOVA.
3. Membandingkan kinerja ZOM antara
ZOM BMKG dan ZOM terbaik.
a. Membandingkan ZOM baru yang
3. Metodologi Penelitian didapat dengan ZOM milik
Data yang digunakan pada penelitian BMKG.
ini adalah data sekunder yang diperoleh dari b. Didapat ZOM terbaik dengan
Badan Meteorologi Klimatologi dan Geofisika kriteria nilai minimum Wilk’s
(BMKG). Data ini mencakup data zona curah Lambda.
hujan bulan Januari sampai Desember di
Kabupaten Ngawi.
4. Analisis dan Pembahasan
Letak pos hujan sesuai lintang dan
bujur dan pembagian zona musim (ZOM) di Deskripsi Umum Curah Hujan di Tiap
Kabupaten Ngawi digambarkan sebagai Stasiun
berikut Deskripsi curah hujan digunakan untuk
mengetahui gambaran tinggi curah hujan
bulanan di Kabupaten Ngawi. Tabel 2
menyajikan ringkasan dari curah hujan
meliputi ukuran pemusatan, nilai maksimum,
nilai minimum dan ukuran penyebaran tinggi
curah hujan di Kabupaten Ngawi.
Tabel 2 Deskripsi Tinggi Curah Hujan Bulanan di
Kabupaten Ngawi
Bulan Min Maks Rata- StDev
rata
Januari 219,62 387,89 289,91 45,20
Februari 243,23 417,37 303,92 47,04
Maret 220,16 368,95 288,94 49,05
Gambar 1 Zona Musim di Kabupaten Ngawi April 154,72 311,65 221,27 41,46
Dalam penelitian ini variabel yang Mei 54,08 124,95 87,24 21,61
digunakan adalah tinggi curah hujan tiap Juni 29,69 99,30 59,54 15,19
stasiun di Kabupaten Ngawi. Juli 18,00 46,05 30,23 7,73
Tiga tahapan analisis data, yaitu : Agustus 8,12 49,46 17,83 9,81
1. Pengelompokan ZOM di Kabupaten September 7,75 34,00 19,69 8,21
Ngawi. Oktober 81,85 155,05 121,88 16,90
a. Mendeskripsikan data curah hujan
November 160,93 296,38 227,37 38,75
yang merupakan hasil rataan dari
masing-masing stasiun di Desember 203,29 336,95 263,91 36,49
Kabupaten Ngawi.
Tabel 2 menunjukkan bahwa rata-rata
b. Mereduksi data curah hujan curah hujan pada Bulan Februari adalah
dengan Analisis Faktor. tertinggi di Kabupaten Ngawi, yaitu sebesar
c. Membentuk kelompok dengan 303,92 mm. Hal ini menunjukkan Februari
metode fuzzy K-means clustering. merupakan puncak dari musim penghujan.
2. Mendapatkan ZOM baru. Rata-rata curah hujan terendah terjadi Bulan
a. Uji asumsi multivariat normal dan Agustus, yaitu sebesar 17,83 mm. Ini berarti
uji kehomogenan matrik varian pada bulan ini merupakan puncak dari musim
kovarian. kemarau di Kabupaten Ngawi. Jika dilihat nilai
5
simpangan baku, pada Bulan Maret memiliki dapat dilihat pula bahwa pola sebaran data
simpangan baku tertinggi, artinya pada bulan tinggi curah hujan stasiun Mantingan tiap
tersebut terdapat variasi curah hujan diantara bulan tidak mengikuti pola sebaran distribusi
pos hujan di Kabupaten Ngawi. Menurut nilai normal.
range, yaitu selisih nilai minimum dan
maksimum yang besar, dapat diartikan tingkat
curah hujan setiap pos hujan di Kabupaten Analisis Faktor
Ngawi rendah. Pereduksian variabel dilakukan
Gambar 2 menjelaskan bahwa tipe dengan menggunakan input matriks faktor
curah hujan di Kabupaten Ngawi yaitu tipe korelasi dan matriks ekstrasi komponen utama
monsunal yang berarti bersifat monsun karena (principal component). Untuk memperjelas
dari gambar tersebut pola curah hujannya dalam menggambarkan karakteristik curah
membentuk huruf U. Selanjutnya dari Gambar hujan bulanan di Kabupaten Ngawi dilakukan
2 dapat diidentifikasi bahwa musim penghujan rotasi Varimax. Hasil loading faktor
di Kabupaten Ngawi mulai Bulan November – selengkapnya disajikan pada Tabel 3.
April, sedangkan musim kemarau terjadi pada Tabel 3 Nilai Loading faktor dengan Rotasi
Bulan Mei – Oktober. Varimax
Variabel/ F1 F2 F3 F4
Bulan
Januari 0,903 0,125 -0,141 0,174
Februari 0,890 0,102 0,169 -0,010
Maret 0,637 -0,025 0,534 -0,358
April 0,552 -0,130 0,679 0,223
Mei 0,331 0,791 0,461 -0,026
Juni 0,575 -0,016 -0,056 0,572
Juli 0,056 0,065 0,623 -0,111
Gambar 2 Rata-rata tinggi curah hujan menurut
bulan. Agustus 0,020 0,101 -0,140 -0,839
September 0,015 0,899 0,036 -0,084
Sebaran curah hujan di pos hujan
Oktober 0,071 0,599 -0,137 0,579
Mantingan sebagai contoh disajikan dalam
boxplot. Gambar 3 mengindikasikan bahwa November -0,122 0,290 0,786 0,314
terdapat data curah hujan yang outlier di Desember 0,708 0,516 0,296 -0,098
Stasiun Mantingan. Amatan outlier yang Keterangan: Yang diarsir dan bold mempunyai
terbanyak yaitu terjadi pada Bulan Juni - nilai loading tinggi masing-masing faktor.
September. Hal ini menunjukkan bahwa
meskipun pada bulan-bulan tersebut merupaka Tabel 3 menunjukkan bahwa faktor 1
periode musim kemarau, namun masih terjadi (F1) lebih menggambarkan musim penghujan,
hujan. yaitu meliputi curah hujan bulan Desember,
Januari, Februari, Maret. Faktor 2 dan faktor 3
400
lebih menggambarkan musim transisi, baik
300 transisi musim kemarau (April, Mei, dan Juli)
maupun musim penghujan (September,
Data

200
Oktober, dan November). Sementara faktor 4
100
lebih mengambarkan musim kemarau. Total
keragaman yang dapat dijelaskan dengan
0 empat komponen utama tersebut sebesar 78%.
i ri et il ei ni li s r er r r
ar ua ar
r
Ju Ju tu be be be
nu br Ap M
us ob
Ja M
Ag em kt ve
m
se
m
Fe pt O
Se No De

Gambar 3 Deskripsi tinggi curah hujan tiap bulan Fuzzy K-Means Clustering
di stasiun Mantingan Algorithma pengelompokkan dengan
Pada musim penghujan masih terdapat metode fuzzy K-means clustering sebagai
amatan yang outlier, namun jumlahnya tidak berikut :
sebanyak pada musim kemarau. Selain itu,
6
1. Menentukan jumlah kelompok dengan
menggunakan indeks XB.
2. Mengalokasikan data sesuai dengan
jumlah kelompok yang ditentukan sesuai
dengan kriteria indeks XB.
3. Menghitung pusat dari masing-masing
kelompok.
4. Menghitung nilai fungsi keanggotaan
masing-masing data ke masing-masing
kelompok.
5. Bandingkan nilai keanggotaan matriks
partisi atau matriks fungsi keanggotaan
(U), apabila nilai
maka telah konvergen dan proses iterasi
dihentikan. Apabila U (k +1) −U (k ) ≥ ε
maka kembali ke langkah 3.
Langkah awal proses pengelompokkan
yaitu menentukan jumlah kelompok, yaitu
dengan menggunakan bantuan indeks XB.
Dilakukan simulasi dengan jumlah kelompok
sebanyak 2 sampai dengan 6 kelompok.
Berdasarkan nilai XB yang minimum
diperoleh jumlah kelompok sebanyak 5
kelompok, yaitu sebesar 1,0937. Plot antara
nilai indeks XB dan banyaknya kelompok
ditunjukkan pada Gambar 4.
Scatterplot of Indeks XB vs Kelompok
2,6
2,4
2,2
2,0
Indeks XB
1,8
1,6
1,4
1,2
1,0
2 3 4
Kelompok
Gambar 4 Plot antara Nilai Indeks XB dan
Banyaknya Jumlah Kelompok.
Anggota kelompok masing-masing zona
musim (ZOM) adalah sebagai berikut:

ZOM 1 : Bekoh, Guyung, Sambiroto,
Padas dan Begal.

ZOM 2 : Mardiasri, Paron, Ngawi dan
Mantingan.

ZOM 3 : Ngrambe, Tretes dan
Walikukun.

ZOM 4 : Kedunggalar, Ngadirejo/
Sooko dan Ngale.

ZOM 5 : Karangjati, Jogorogo dan
Kedung urung-urung.
Persebaran stasiun menurut kelompok
ZOM hasil pengelom-pokkan dengan fuzzy K-
means clustering disajikan Gambar 4.4 berikut.
U ( j +1) − U ( j ) < ε
Gambar 5 Persebaran stasiun menurut Zona
Musim hasil fuzzy K-means clustering
Gambar 5 diatas menjelaskan penge-
lompokkan zona musim (ZOM) Kabupaten
Ngawi hasil metode fuzzy K-means clustering.
ZOM dengan kode 1, 3 dan 4 telah membentuk
pola kelompok yang jelas, sedangkan ZOM
kode 2 dan 5 lebih menyebar. ZOM 3
diidentifikasi berada pada daerah pegunungan
dan ZOM 1 dan 4 diidentifikasi berada pada
daerah dataran rendah (flat).
Pada ZOM 2 dan 5 masing-masing
terdapat satu stasiun yang berada jauh dari
kelompoknya yaitu Mantingan pada ZOM 2
dan Karangjati pada ZOM 5. Beberapa
kemungkinan yang timbul sebagai akibat dari
terpisahnya stasiun Mantingan dan stasiun
Karangjati dari zona musimnya yaitu adanya
amatan ekstrim tinggi curah hujan.
Berdasarkan identifikasi melalui sebaran curah
5 6
hujan (boxplot) Karangjati dan Kedung Urung-
urung pada bulan Juli dan Agustus memiliki
pola yang sama. Sementara pada Stasiun
Mantingan dan Tretes terletak berdekatan yaitu
berada di daerah pegunungan yang memiliki
kemiripan secara geografis namun belum tentu
dengan tinggi curah hujannya.
Multivariate Analysis of Varian (MANOVA)
Pengujian perbedaan rata-rata
digunakan untuk melihat apakah
pengelompokkan yang dilakukan telah
menghasilkan kelompok yang mempunyai
perbedaan yang nyata. Analisis ini didasari
oleh beberapa asumsi yaitu data yang dianalisis
7
harus berdistribusi normal multivariat dan
matriks varian kovarian kelompok yang
homogen.
Hasil pemeriksaan distribusi normal
multivariat, diperoleh d 2j ≤ χ (24;0 , 05) dimana
χ (24;0, 05) = 9,488 adalah sebesar 66,7%. Hasil
ini menunjukkan bahwa data mengikuti
distribusi normal multivariate. Untuk
pemeriksaan asumsi kehomogenan matrik
varian kovarian ZOM yang terbentuk dengan
metode fuzzy K-means clustering dengan uji
Box’s M tidak dapat dilakukan, karena
terdapat sedikitnya dua cell matrik kovarian
nonsingular (ada indikasi matriks Σ tidak
homogen). Hasil identifikasi secara parsial
menunjukkan bahwa untuk variabel skor faktor
4 tidak homogen antar ZOM.
Seharusnya, jika tidak dapat dilakukan
uji Box’s M, maka dilakukan transformasi.
Namun, pengelompokkan yang dilakukan yaitu
dengan menggunakan score factor, sehingga
tidak dapat ditransformasi. Untuk memeriksa
hal ini maka dilakukan uji kesamaan varian
dengan Bartlett. Tabel 4 dibawah ini
menyajikan nilai statistik uji dan p-value hasil
uji Bartlett.
Tabel 4 Uji kesamaan varian dengan Bartlett
Score
Factor 1 2 3 4
Nilai 4,85 3,71 2,62 10,39
p-value 0,303 0,446 0,623 0,034
Score factor 1, 2 dan 3 menunjukkan
p-value yang lebih besar dari nilai α, maka
gagal tolak H0 berarti bahwa varian untuk
score factor 1, 2 dan 3 homogen. Namun untuk
score factor 4 tidak signifikan karena p-value
< α = 0,05 berarti score factor 4 memiliki
varian yang berbeda dengan score factor yang
lain. Maka untuk analisis selanjutnya dengan
MANOVA hanya menggunakan score factor
yang memiliki varian sama yaitu score factor
1, 2 dan 3.
Setelah asumsi normal multivariat dan
kehomogenan matriks varian kovarian
terpenuhi, langkah selanjutnya yang dilakukan
adalah menguji perbedaan rata-rata dari kelima
kelompok dengan MANOVA. Hipotesis yang
digunakan adalah sebagai berikut
H0 : τ1 = τ2 = ...= τg = 0
H1 : minimal ada satu τi ≠ 0
8
Berdasarkan pengujian yang telah
dilakukan, diperoleh nilai wilk’s lambda (Λ*)
sebesar 0,04. P-value yang diperoleh cukup
kecil yaitu sebesar 0,000 atau p-value < 0,05
untuk semua statistik uji diputuskan untuk
menolak H0, sehingga bisa dikatakan bahwa
terdapat perbedaan rata-rata antar kelompok
zona musim (ZOM) yang terbentuk.
Perbandingan ZOM BMKG dengan ZOM
Baru
Pengelompokkan zona musim (ZOM)
dengan metode fuzzy K-means clustering
diperoleh 5 kelompok, sedangkan ZOM milik
Badan Meteorologi Klimatologi dan Geofisika
(BMKG) mengelompokkan ZOM sebanyak 2
kelompok. Oleh karena itu ingin diketahui
perbandingan ZOM milik BMKG dengan
ZOM yang diperoleh dengan metode baru
yaitu dengan kriteria Wilk’s Lambda pada
MANOVA. Untuk MANOVA ini digunakan
score factor 1, 2 dan 3 sesuai dengan hasil uji
homogenitas. Penggunaan score factor ini juga
dilakukan pada MANOVA kelompok milik
BMKG.
Untuk menunjukkan uji homogenitas
kelompok fuzzy dan kelompok BMKG dengan
tiga score factor, maka hasil uji Box’s M
ditampilkan sebagai berikut
Tabel 5 Hasil Uji Homogenitas Kelompok Fuzzy
dan BMKG
Kelompok Box's M F Sig
Fuzzy 19,448 1,627 0,139
BMKG 7,518 0,864 0,552
Tabel 5 mentunjukkan bahwa hasil uji
Box’s M dengan nilai signifikan untuk
kelompok hasil fuzzy K-means clustering
sebesar 0,139 dan untuk kelompok BMKG
sebesar 0,552. Kedua nilai signifikan tersebut
lebih besar dari nilai α = 0,05 yang berarti
gagal tolak H0 maka dapat disimpulkan bahwa
matriks varian kovarian dari keempat
kelompok yang terbentuk adalah sama
(homogen).
Semakin kecil nilai signifikan
menunjukkan bahwa kelompok yang terbentuk
semakin homogen yang berarti keragaman
dalam kelompok semakin kecil dan keragaman
antar kelompok semakin besar. Oleh karena
itu, hasil pengelompokkan dengan fuzzy K-
means clustering lebih baik digunakan untuk
mengelompokkan ZOM Kabupaten Ngawi
dengan nilai signifikan terkecil.
5. Kesimpulan
Berdasarkan hasil analisis dan
pembahasan, maka diperoleh kesimpulan
sebagai berikut :
1. Hal-hal yang perlu diperhatikan dalam
algorithma Fuzzy K-Means Clustering
adalah penentuan jumlah kelompok. Oleh
karena itu digunakan indeks XB untuk
membantu menentukan jumlah kelompok
yang optimum.
2. Pengelompokkan zona musim (ZOM)
Kabupaten Ngawi menggunakan metode
fuzzy K-means clustering. Menentukan
jumlah kelompok yang akan digunakan
pada prosedur fuzzy K-means Clustering
dengan menggunakan kriteria indeks Xie
dan Beni (indeks XB) dan diperoleh
jumlah kelompok yang optimum sebanyak
5 kelompok. Penentuan anggota kelompok
menggunakan metode fuzzy K-means
clustering dan diperoleh kelompok ZOM
sebagai berikut
• ZOM 1 : Bekoh, Guyung, Sambiroto,
Padas dan Begal.
• ZOM 2 : Mardiasri, Paron, Ngawi dan
Mantingan.
• ZOM 3 : Ngrambe, Tretes dan
Walikukun.
• ZOM 4 : Kedunggalar, Ngadirejo/
Sooko dan Ngale.
• ZOM 5 : Karangjati, Jogorogo dan
Kedung urung-urung.
3. Berdasarkan nilai Wilk’s Lambda
menunjukkan bahwa ZOM fuzzy K-means
clustering mempunyai kinerja yang lebih
baik daripada ZOM BMKG. Hal ini
ditunjukkan dengan nilai Wilk’s Lambda
ZOM hasil fuzzy K-means clustering lebih
kecil daripada ZOM BMKG.
Daftar Pustaka
Agusta, Y. (2007), “K-means-Penerapan,
Permasalahan dan Metode Terkait”,
Jurnal Sistem dan Informatika, Vol. 3,
hal. 47-60.
Anonim_a. (2009).Cuaca dan Iklim. [http://
www.petualangan.com ] (On-line:
July, 4th 2009).
Anonim_b. (2009). Zona Musim Wilayah Jawa
Timur. [http://
www.staklimkarangploso.net ] (On-
line: Oktober, 12th 2009).
Bunkers WJ, Miller JR, De Gaetano
AT.(1996).Definition of Climate
Regions in the Northern Plains Using
an Objective Cluster Modification
Technique. J.Climate 9:130-146.
Duo, C., Xue, L., Du-Wu, C., (2007). An
Adaptive Cluster Validity Index for the
Fuzzy C-means, International Journal
of Computer Science and Network
Security 7 No. 2, 146-156.
Jang, J. S, Sun, C. T., dan Mizutani, E. (1997).
Neuro-Fuzzy and Soft Computing,
Prentice Hall, New York.
Johnson, R. A, dan Wichern, D. W. (2002),
Applied Multivariate Statistical
Analysis, Prentice Hall, New York.
Karson, M. J. (1982), Multivariate Statistical
Methods, First Edition, The Iowa State
University Press, Ames-Iowa.
Klawonn, F. dan Keller, A., (1997). Fuzzy
Clustering and Fuzzy Rules. Science
Journal.
Noury, M., Khatami, H. R., Moeti, M. T., dan
Barani, G., (2008). “Rainfall-Runoff
Modeling Using Fuzzy
Methodology”,Journal of Applied
Sciences, Vol.8, No.16, hal. 2851-
2858.
Ping, K. S and Salim, N. 2006. Optimized
Subtractive Clustering for Cluster-
Based Compound Selection. Putrajaya.
Malaysia.
Regariana, Cut Meurah. (2005). Modul Cuaca
dan Iklim Geografi kelas X (sepuluh).
Sarjani. (2009). Cuaca dan Iklim Geografi
kelas 1.
Zong-yi, X., Yong, Z., Li-min, J., dan Wei-li,
H. (2005), “Construct Interpretable
Fuzzy Classification System based on
Fuzzy Clustering Inilization”,
Iinternational Journal of Information
Technology, Vol.11, No. 6, hal. 91-
107.