dengan atribut sebanyak 6 variabel. Pada penelitian ini pemodelan data dilakukan dengan menggabungkan parameter input luaran GCM dengan anomali SST Nino
3.4 menggunakan 3 tiga bulan sebelumnya dalam melakukan prediksi sebagai parameter masukan. Parameter masukan setiap musim tersebut masing-masing
berjumlah 66 baris. Ilustrasi pemodelan data Luaran GCM dan anomali SST Nino 3.4 disajikan pada gambar 5.
Gambar 5 Ilustrasi pemodelan data Luaran GCM dan anomali SST Nino 3.4.
3.1.6 Pembagian Data menggunakan K-Fold Cross Validation
Tahapan selanjutnya yaitu membangun model SVR, dimana luaran GCM dan anomali SST Nino 3.4 akan berperan sebagai masukan serta data observasi
berperan sebagai peubah respons. Pada penyusunan model SVR terlebih dahulu melakukan tahapan pembagian data. Pembagian data tersebut dilakukan dengan
menggunakan teknik -fold cross validation. K-fold cross validation merupakan salah satu variasi dari teknik cross validation. K-fold cross validation dilakukan
untuk membagi training set dan test set. Inti validasi tipe ini adalah membagi data secara acak ke dalam k himpunan bagian Tang et al, 2008. Berdasarkan teknik k-
fold cross validation untuk seluruh data baik luaran GCM, anomali SST Nino 3.4 maupun observasi dibagi menjadi k subset, yaitu S1, S2,…, Sk. Pada penelitian ini
ditentukan nilai k sebesar 6. Proses pembagian data dilakukan secara acak dengan mempertahankan perbandingan jumlah baris data setiap kelas. Pada tahap pertama
S1 sebagai data uji maka S2, S3,...,S6 dijadikan sebagai data pelatihan, dan selajutnya tahapan tersebut dilakukan pengulangan sebanyak 6 kali.
3.1.7 Pelatihan dan Pengujian Menggunakan Model SVR
Pada tahapan pelatihan ini menggunakan data latih dengan metode SVR terhadap masing-masing fungsi kernel Linear, Polynomial, dan Radial Basis
Function RBF. Pengujian model SVR dilakukan terhadap fungsi kernel yang digunakan berdasarkan terpenuhinya selang range. Sebelumnya, fungsi kernel
menentukan nilai parameter-parameter yang digunakan dalam tahapan pengujian, seperti parameter C untuk fungsi Linear Kernel, nilai parameter
C, γ, r, dan d untuk fungsi Polynomial Kernel, dan parameter C dan
γ untuk fungsi kernel RBF. Apabila semakin optimal parameternya maka semakin baik model yang dihasilkan
oleh model SVR. Proses pengujian ini menggunakan model SVR untuk mengestimasi nilai observasi. Untuk metode pengoptimuman parameter fungsi
kernel yang dipakai dalam pada percobaan ini yaitu metode grid search yang menyerupai metode trial dan error secara manual, akan tetapi rentang nilai
parameter dikumpulkan dalam grid n-dimensi, dengan n menunjukkan jumlah parameter.
3.1.8 Evaluasi dan Validasi Model
Tahapan ini digunakan untuk melihat kehandalan atau performance yang dihasilkan dari nilai prediksi dengan melakukan pengukuran ukuran error dan
tingkat korelasi. Dalam menentukan kriteria kebaikan model untuk validasi dapat menggunakan nilai Root Mean Square Error RMSE. RMSE adalah nilai varians
dari residual yang dapat menunjukan keakuratan suatu model. RMSE mempunyai nilai minimal 0, semakin kecil nilai RMSE menunjukan bahwa perbedaan antara
nilai dugaan hasil pemodelan dengan data aktualnya semakin kecil pula, sehingga model terbaik dengan nilai RMSE terkecil. Nilai RMSE diperoleh dengan rumus
sumber : sutikno, 2008:
............................ 6
