Metodologi 1. Analisis Kemiripan Data dengan
Permasalahannya adalah tidak semua lokasi penelitian memiliki stasiun hujan, atau seandainya ada stasiun hujan tetapi datanya tidak memenuhi syarat
sehingga harus menggunakan stasiun terdekat sebagai pewakil. Namun seberapa luas dan wilayah mana saja yang bisa diwakili masih menjadi pertanyaan dan
perlu analisis lebih lanjut. Penentuan stasiun pewakil ini menjadi sangat penting ketika dihadapkan pada suatu keadaan dimana data curah hujan tersebut menjadi
input yang menentukan dalam suatu pengambilan keputusan seperti dalam penetapan indeks iklim.
Oleh karena itu, untuk mengatasi masalah tersebut di atas, penelitian ini mencoba untuk menganalisis hubungan antara stasiun hujan yang digunakan
sebagai pewakil stasiun referensi dengan stasiun lainnya untuk mengetahui sebaran dan cakupan wilayah yang bisa diwakilinya menggunakan metode Fuzzy
Similarity FS. Metode FS merupakan pendekatan baru dalam bidang aplikasi klimatologi. Terkait dengan periode data yang tidak selalu sama pada setiap
stasiun, metode FS tetap dapat diterapkan meskipun panjang datanya berbeda- beda pada setiap stasiun. Pendekatan dengan metode FS ini diharapkan juga bisa
memberikan solusi bagi masalah keterbatasan stasiun hujan. Tujuan dari penelitian ini adalah : 1 menentukan nilai FS sebagai indikator kemiripan antar
stasiun hujan dan 2 menyusun peta cakupan wilayah indeks untuk aplikasi Asuransi Indeks Iklim.
4.2. Metodologi 4.2.1. Analisis Kemiripan Data dengan
Fuzzy Similarity
Penentuan cakupan wilayah indeks pada prinsipnya adalah menentukan kemiripan data hujan suatu stasiun dengan data hujan stasiun referensi untuk
aplikasi indeks iklim. Stasiun referensi dipilih berdasarkan lokasi survey dan wawancara dimana indeks iklim dihitung . Dalam penelitian ini, stasiun referensi
yang dipilih adalah : Cikedung, Lelea, Terisi dan Kandanghaur. Data yang digunakan adalah data curah hujan bulanan dari 41 stasiun hujan di Kabupaten
Indramayu dengan periode 1965-2010. Dalam konteks asuransi indeks iklim, jangkaun wilayah indeks menjadi
sangat penting. Nilai indeks dari suatu stasiun referensi akan bisa diberlakukan
untuk suatu stasiun tertentu apabila stasiun tersebut memiliki kemiripan similarity dengan stasiun referensi yang dimaksud. Fungsi kemiripan similarity
function pada prinsipnya adalah membandingkan dua stasiun untuk mengetahui kemiripan datanya. Untuk kemiripan antara dua stasiun fitur, jarak antara
keduanya dapat didefinisikan sebagai perbandingan mengukur match measure. Pada penelitian ini, metode FS mempelajari pola data berdasarkan sinyal
yang terbentuk. Pada prinsipnya setiap sinyal memiliki energi EN dan Entropi ET. Sinyal dikatakan sama jika energi dan entropinya sama atau mirip. Setiap
sinyal terdiri dari komponen-komponen sinyal sebanyak k. Untuk melakukan uji kemiripan data curah hujan diperlukan dua tahapan analisis utama, yaitu :
penentuan nilai threshold kemiripan data curah hujan dan analisis Fuzzy Similarity Li and Yao 2005.
Tahapan analisis selengkapnya dalam penelitian ini adalah sebagai berikut: 1. Data curah hujan dibuat beberapa frame sesuai dengan periode data yang
tersedia. 2. Dilakukan transformasi wavelet sehingga diperoleh koefisien setiap sinyal
yaitu d
1
, d
2
, d
3
, ..., d
K
. Energi dari d
1
dinyatakan dengan
K i
d
1 2
1
. Sinyal dikatakan sama jika memiliki energi atau entropi yang sama atau mirip. Setiap
sinyal merupakan kombinasi dari komponen-komponen sinyal sebanyak k. 3. Kemudian dihitung entropinya dengan persamaan :
i K
i j
k j
k i
j
P P
ET
1 ,
,
ln dimana
j k
P
,
adalah probabilitas density dari koefisien wavelet pada setiap tingkat resolusi j=1,.....dst.
4. Dilakukan estimasi densitas density estimation menurut metode Kernel Suryadi 1993, dengan persamaan:
K h
h d
d m
k m
e h
K d
1 2
1
2
. 2
1 .
1
dimana : h = 1,15 x simpangan baku dari data stasiun referensi x
5 1
K
5. Setelah diperoleh nilai energi EN dan entropi ET, maka selanjutnya dilakukan analisis fuzzy. Tujuan utamanya adalah membuat batasan EN dan
ET sebagai patokan dalam menilai kemiripan data. 6. Setelah dilakukan analisis fuzzy akan diperoleh nilai EN dan ET masing-
masing untuk nilai terbesar dan terkecil. Untuk setiap nilai EN akan diperoleh fuzzy membership yang berbeda-beda. Sebagai contoh untuk sinyal energi :
S
1
= Sinyal 1 EN
1
dengan fuzzy membership a, b, c, d, e, f S
2
= Sinyal 2 EN
2
dengan fuzzy membership g, h, i, j, k, l dst
S
T
= Sinyal ke-T EN
T
Untuk sinyal Entropi : S
1
= Sinyal 1 ET
1
dengan fuzzy membership m, n, o, p, q, r S
2
= Sinyal 2 ET
2
dengan fuzzy membership s, t, u, v, w, x dst
S
T
= Sinyal ke-T ET
T
Selanjutnya digunakan persamaan :
N x
x B
A S
N i
i B
i A
1
1 ,
dimana N = jumlah energi sinyal atau entropinya. Dalam penelitian ini, N = 2, yaitu berupa energi EN dan Entropi ET.
7. Berdasarkan persamaan tersebut di atas dilakukan penghitungan untuk setiap sinyal. Sebagai contoh :
x w
v u
t s
r q
p o
n m
l k
j i
h g
f e
d c
b a
S S
S ,
, ,
, ,
, ,
, ,
, 1
, ,
, ,
, ,
, ,
, ,
1 ,
2 1
dst dengan cara yang sama dihitung untuk
3 1
, S S
S
,
4 1
, S S
S ,
5 1
, S S
S
, ...,
T
S S
S ,
1
. Jika suatu stasiun yang akan diuji menghasilkan nilai S lebih besar atau sama dengan nilai threshold, maka stasiun tersebut memiliki kemiripan
data dengan stasiun referensi.
8. Cara yang sama seperti tahapan analisis tersebut di atas, diberlakukan untuk setiap stasiun referensi. Nilai FS yang dihasilkan akan memberi gambaran
stasiun refensi tersebut lebih mirip ke stasiun yang mana. Keseluruhan nilai FS disajikan dalam tabel antara stasiun yang diuji dengan stasiun referensi,
serta dalam bentuk peta cakupan wilayah indeks. Seluruh program tersebut dijalankan dengan Program Matlab. Secara garis besar, tahapan analisis
disajikan dalam Gambar 29.
Gambar 29. Diagram alir analisis Fuzzy Similarity untuk penetapan wilayah cakupan indeks iklim
Stasiun hujan referensi Energi feature entropi
Transformasi diskret wavelet
Ref. 1 Ref. 2
Ref. 3
Ref. 4
Fungsi Keanggotaan Gaussian Fuzziness
Present State
Fuzzy Similarity Index Deteksi
Perbandingan
Polanya mirip
ya tidak
Tidak bisa digunakan
Bisa digunakan