memperlihatkan pola yang dapat mengestimasi nilai-nilai rataan dari pengamatan yang berfluktuatif selama bulan januari sampai desember.
Bila diperhatikan dari Gambar 15, untuk luaran GCM dengan kinerja yang paling rendah berdasarkan perbandingan nilai rataan estimasi dan
pengamatanya, diperlihatkan oleh luaran GCM miub-g. Hal ini ditunjukkan dari nilai estimasinya yang cukup mencolok dan kurang mendekati nilai
pengamatannya pada bulan-bulan tertentu. Nilai estimasi yang kurang mendekati nilai pengamatanya adalah pada bulan Januari, September dan November.
Sehingga dengan demikian, untuk model SVR yang menggunakan luaran GCM yaitu miub-g, mendapatkan hasil prediksi terendah dibandingkan dengan model
yang menggunakan luaran GCM yang lain. Berdasarkan hasil kinerja antara luaran GCM yang diujikan dapat
dinyatakan bahwa setiap luaran GCM mempunyai tingkat akurasi berbeda-beda pada suatu wilayah. Pemodelan downscaling menggunakan SVR dengan luaran
GCM giss-er merupakan model paling baik untuk melakukan prediksi curah hujan bulanan di wilayah Kabupaten Indramayu, sedangkan GCM miub-g merupakan
model luaran GCM yang memiliki kinerja paling rendah untuk melakukan prediksi curah hujan bulanan di wilayah Kabupaten Indramayu.
4.3 Kinerja Model Berdasarkan Fungsi Kernel SVR
Hasil analisis kinerja fungsi kernel pada SVR diperoleh dengan melihat tingkat eror dan korelasi dari estimasi terhadap data pengamatan yang ditunjukkan
oleh Gambar 16 dan Gambar 17. Jika dilihat dari analisis grafik pada Gambar 16 dan Gambar 17, model
SVR dengan fungsi linear kernel memiliki nilai eror paling besar dan ukuran korelasinya paling kecil, kemudian fungsi polynomial kernel dengan ukuran eror
lebih kecil dan korelasinya lebih besar dan terakhir fungsi RBF yang memiliki ukuran eror paling kecil dan ukuran korelasinya paling besar.
Gambar 16 Nilai rataan NRMSE, MAEP validasi model berdasarkan kinerja fungsi kernel SVR pada setiap luaran GCM
Gambar 17 Nilai rataan korelasi validasi model berdasarkan kinerja fungsi kernel SVR pada setiap luaran GCM
Ukuran eror model yang menggunakan salah satu luaran GCM yaitu GCM giss-er dan fungsi linear kernel memiliki nilai NRMSE=9,726,
MAEP=8,144, dan ukuran korelasi r=0,642. Selanjutnya ukuran eror menggunakan luaran GCM yang sama namun fungsi kernel berbeda yaitu
polynomial memiliki nilai NRMSE=9,391, MAEP=8,071, dan ukuran korelasi
Linear Polinom ial
Radial Basis NRM SE
10,073 9,781
9,521 M AEP
8,218 8,136
8,002 7
8 8
9 9
10 10
11 NRM SE
M AEP
Linear Polinom ial
Radial Basis Korelasi
0,630 0,647
0,671 0,60
0,61 0,62
0,63 0,64
0,65 0,66
0,67 0,68
Korelasi
dengan nilai r=0,668. Terakhir adalah model yang menggunakan fungsi RBF kernel dan luaran GCM giss-er, menghasilkan ukuran eror paling kecil dengan
nilai NRMSE=9,124, MAEP= 7,955, dan ukuran korelasinya sebesr r=0,688. Kecendrungan hasil eror dan korelasi yang sama terlihat untuk setiap
luaran GCM dimana hasil perbandingan ukuran eror dan korelasi menunjukkan bahwa model dengan kinerja paling baik secara berurutan adalah fungsi RBF
kernel, fungsi polynomial kernel, dan yang terakhir fungsi linear kernel yang memiliki kinerja paling rendah bila dibandingkan dua fungsi kernel lainnya.
Penjelasan lebih lanjut untuk kinerja fungsi kernel pada model SVR
diilustrasikan oleh grafik scater pada Gambar 18. Grafik scater tersebut
memperlihatkan hubungan antara observasi dan hasil prediksi untuk setiap fungsi kernel pada model SVR. Hubungan yang kuat antara observasi dan prediksi
menunjukkan semakin kuat pula korelasi dan semakin kecil ukuran eror antara nilai yang diamati dan nilai yang diestimasi. Kuat atau tidaknya hubungan antara
prediksi dan observasi dapat dilihat melalui persamaan regresi
= +
yang mengambarkan antara sebagai prediksi memiliki kedekatan hubungan dengan
yang disebut sebagai observasi yang ditunjukkan pada grafik scater. Pada model SVR dengan luaran GCM giss-er yang menggunakan fungsi
RBF kernel memiliki hubungan kedekatan antara prediksi dan observasi yang paling baik
bila dibandingkan dengan model yang menggunakan fungsi kernel lainnya. Gradien dari persamaan pada model SVR menggunakan fungsi RBF
kernel memiliki nilai paling besar yaitu bernilai 0.83 dan intercept bernilai 10,07. Sementara, gradient yang menunjukkan hubungan antara prediksi dan observasi
untuk masing-masing fungsi kernel lain yaitu polynomial dan linear kernel secara berurutan adalah 0,789, 0,768, dan intercept sebesar 11,09, dan 14, 56. Gradient
yang besar mendekati 1 dan nilai intercept yang kecil mendekati nol menandakan adanya hubungan kuat antara prediksi dan observasi, ukuran
kesalahan prediksi yang kecil, korelasi dan ketepatan prediksi yang baik.
Gambar 18 Grafik scater untuk plot hasil observasi dengan estimasi masing masing fungsi kernel
y = 0,719x + 28,73
100 200
300 400
500 600
200 400
600
P re
d ik
si m
m
Observasi mm
RBFKernel
y = 0,698x + 31,09
100 200
300 400
500 600
200 400
600
P re
d ik
si m
m
Observasi mm Polynomial Kernel
y = 0,677x + 34,56
100 200
300 400
500 600
200 400
600
P re
d ik
si m
m
Observasi mm Linear Kernel
Hasil running time atau waktu komputasi dalam melakukan run model SVR dari tahap pelatihan sampai pengujian memiliki nilai yang berbeda untuk
setiap fungsi kernel-nya. Contohnya model SVR dengan luaran GCM giss-er, hasil waktu komputasi menggunakan fungsi linear kernel dalam memprediksi
curah hujan bulanan untuk tiap stasiun hujan di Kabupaten Indramayu memiliki rata-rata sebesar 20 detik. Waktu komputasi yang didapatkan oleh model yang
menggunakan fungsi polynomial kernel memiliki rata-rata sebesar 523 detik 8 menit 43 detik. Sedangkan waktu komputasi yang didapatkan oleh model yang
menggunakan fungsi RBF memiliki rata-rata sebesar 32 detik. Secara keseluruhan dapat diketahui bahwa kinerja model dengan fungsi
kernel-nya yang memiliki hasil paling baik adalah RBF. Dengan waktu komputasi yang diperlukan untuk melakukan run model SVR dalam hitungan detik namun
ukuran eror yang dihasilkan kecil dan korelasinya lebih besar dari pada fungsi kernel lainnya seperti linear dan polynomial. Sementara bila dilakukan
perbandingan antara dua fungsi kernel yaitu polynomial dengan linear, fungsi polynomial kernel membutuhkan waktu komputasi yang cukup lama dalam
hitungan menit dalam melakukan run model dari pada fungsi linear kernel yang membutuhkan waktu sangat sedikit hitungan detik untuk me-run model.Waktu
komputasi yang diperoleh model menggunakan fungsi linear kernel terlihat lebih baik dari pada polynomial, walaupun ukuran eror dan korelasi dari polynomial
lebih baik dibandingkan ukuran eror dan korelasi dari fungsi kerenel linear. Berdasarkan hasil tersebut dapat dinyatakan bahwa fungsi RBF kernel
menunjukkan performance paling baik diantara fungsi kernel lainnya. Baik dari ukuran eror yang paling kecil dan waktu komputasi yang dibutuhkan pun sangat
cepat sehingga memiliki ketepatan dan kecepatan yang baik dalam melakukan prediksi curah hujan bulanan di wilayah kabupaten Indramayu.
4.4 Pengaruh Parameter Fungsi Kernel Terhadap Performance Model
