Evaluasi Hasil Percobaan DATA DAN METODOLOGI PENELITIAN

a. b. c. Gambar 9 Grafik Perbandingan Hasil Prediksi Model JST a. JST-50-A, b. JST-30-B, c. JST-10-C Hasil prediksi pada periode tahun 1991 ss 2009 dari ketiga skenario data latih sebagaimana ditunjukkan pada Gambar 9 memperlihatkan bahwa prediksi model gagal mendekati data observasi pada tahun-tahun dengan total hujan yang rendah, yaitu tahun 1997, 2002 dan 2004. Data observasi pada tahun 2002 sebesar 463,23 mm, namun nilai prediksi yang dihasilkan dari model lebih dari 1090 mm, dengan persentase kesalahannya lebih dari 135. Untuk tahun 2004, data observasi sebesar 653,38 mm, namun hasil prediksi lebih dari 973 mm, dengan persentase kesalahan lebih dari 48, sedangkan untuk tahun 1997 dengan data observasi total hujan musim hujan sebesar 702,67 mm, nilai prediksi yang dihasilkan model lebih dari 1056 mm dengan persentase kesalahan lebih dari 50. Nilai-nilai prediksi pada tahun-tahun ini selalu lebih besar dari nilai observasi. Pada tahun-tahun dengan data observasi total hujan pada musim hujan yang tinggi, kinerja prediksi yang dihasilkan model lebih baik dari pada hasil prediksi pada tahun-tahun dengan total hujan pada musim hujan yang rendah. Tahun 2001 yang merupakan tahun dengan total pada hujan musim hujan tertinggi sebesar 1482,27 mm, persentase kesalahan prediksi yang dihasilkan model, khususnya JST-30, JST dengan 30 hidden neuron, kurang dari 20. Untuk tahun 2000 dengan data observasi 1297,38 mm dan tahun 1995 dengan data observasi 1257,33 mm, persentase kesalahan prediksi dari setiap model selalu kurang dari 20 . Nilai prediksi untuk tahun-tahun ini selalu lebih kecil dari nilai observasi.

4.2 Pemodelan menggunakan Support Vector Regression

Pada percobaan menggunakan model SVR, diimplementasikan tiga fungsi kernel, yaitu Linier, Polynomial dan Radial Basis Function RBF. Fungsi-fungsi kernel tersebut dalam LIBSVM Chang dan Lin, 2012 diformulasikan sebagai berikut : Linier \ •‚ƒ, „ƒ = •‚ƒ . „ƒ Polynomial \ •‚ƒ, „ƒ = …•‚ƒ . „ƒ + atc 0 † Linier \ •‚ƒ, „ƒ = c ‡|ˆ‚‚ƒ ‚ƒ|= Untuk mengimplementasikan SVR, maka perlu memilih parameter- parameter yang dibutuhkan oleh SVR dan oleh fungsi kernel yang digunakan. Parameter yang digunakan pada percobaan ini : - Pada model SVR-L, dengan fungsi kernel linier, diatur parameter konstanta C dan ε. - Pada model SVR-P, dengan fungsi kernel polynomial, diatur parameter γ dan d degree. - Pada model SVR-R, dengan fungsi kernel RBF, diatur parameter γ dan ε.