dengan anomali SST lag-1, dan terdapat 94 yang berkorelasi nyata dengan anomali SST lag-4. Sebaliknya di Kabupaten Karawang, jumlah stasiun yang
berkorelasi nyata pada lag-1 dan lag-4 adalah 87 . Hal ini yang menyebabkan pada stasiun Rawamerta dan Karawang, penambahan anomali SST lag-4 sebagai
parameter input ke-8 secara umum memberikan peningkatan akurasi model Tabel 5 dan Tabel 7.
4.3 Validasi Model
Validasi model dilakukan dengan menggunakan data periode 2004-2007. Hasil validasi model menunjukkan bahwa untuk beberapa kejadian, model yang
dibangun cenderung berlebihan dalam memprediksi curah hujan yang terjadi. Hasil ringkasan validasi model prediksi curah hujan yang dibangun dengan teknik
analisis jaringan syaraf tiruan disajikan dalam Tabel 15 dan Gambar 13. Tabel 15. Validasi model prediksi curah hujan untuk setiap stasiun pewakil di
Kabupaten Subang dan Karawang Pola hujan
Stasiun MSE per
tahun Kisaran prediksi
AN N BN
Kisaran aktual Cigadung 0,255 0,000-0,379
0,379 56 17 40
0,000-1,000 1,000
Karawang 0,053 0,001-0,741 0,740
25 50 25 0,000-1,000
1,000 Rawamerta 0,112 0,000-0,400
0,400 29 29 42
0,000-0,686 0,686
Subang 0,338 0,000-0,998
0,998 39 13 48
0,000-0,856 0,856
Sindanglaya 0,473 0,000-0,999 0,999
48 10 42 0,000-0,920
0,920 Ciseuti
0,737 0,000-1,000 1,000
42 25 33 0,000-0,809
0,809
Keterangan: pola hujan merupakan jumlah persentase kejadian hujan dalam validasi terhadap rata- rata normalnya.
AN = Curah hujan di atas Normal CH ≥ 115 rata-rata Normal
N = Curah hujan Normal 85 CH 115 rata-rata Normal BN = Curah hujan di Bawah Normal CH
≤ 85
validasi Cigadung 2004 - 2007
0.00 0.20
0.40 0.60
0.80 1.00
Jan-04 Jul-04 Jan-05 Jul-05 Jan-06 Jul-06 Jan-07 Jul-07 N
o rm
a liz
e d
m o
n th
ly r
a in
fa ll
prediksi aktual
Validasi Karawang 2004 - 2007
0.00 0.20
0.40 0.60
0.80 1.00
Jan-04 Jul-04 Jan-05 Jul-05 Jan-06 Jul-06 Jan-07 Jul-07 N
or m
a li
z e
d m ont
hl y
r a
inf a
ll
aktual prediksi
validasi Ciseuti 2004 - 2007
0.00 0.20
0.40 0.60
0.80 1.00
Jan-04 Jul-04 Jan-05 Jul-05 Jan-06 Jul-06 Jan-07 Jul-07
N o
rm a
liz e
d m
o n
th ly
r a
in fa
ll
prediksi aktual
Validasi Rawamerta 2004 - 2007
Gambar 13. Hasil validasi model prediksi curah hujan dengan teknik Jaringan Syaraf tiruan terhadap data aktual.
Validasi paling baik diperlihatkan oleh Stasiun Karawang yang memiliki nilai MSE per tahun paling rendah yaitu 0,053. Sementara hasil validasi dengan
nilai MSE tertinggi dihasilkan oleh stasiun Ciseuti dengan rata-rata nilai MSE per tahun 0,737. Dalam proses trial and error uji coba pembangunan model terdapat
0.00 0.20
0.40 0.60
0.80
Jan- 04
Jun- 04
Nov- 04
Apr- 05
Sep- 05
Feb- 06
Jul- 06
Dec- 06
May- 07
Oct- 07
N o
rm al
iz ed
m o
n th
ly r ai
n fal
l 1.00
prediksi aktual
validasi Subang 2004 - 2007
0.00 0.20
0.40 0.60
0.80 1.00
1.20
Jan-04 Jul-04
Jan-05 Jul-05
Jan-06 Jul-06
Jan-07 Jul-07
N o
rm al
iz ed
m o
n th
ly r a
in fal
l
prediksi aktual
Validasi Sindanglaya 2004-2007
0.00 0.20
0.40 0.60
0.80 1.00
Jan-04 Jul-04 Jan-05 Jul-05 Jan-06 Jul-06 Jan-07 Jul-07 no
rm a
li z
e d
m ont
hl y
r a
inf a
ll
aktual prediksi
kecenderungan bahwa model dengan hasil pembentukan model yang kurang akurat justru memberikan nilai MSE validasi yang rendah. Akan tetapi hal
tersebut biasanya tidak diikuti oleh tampilan grafik validasi yang baik pula. Beberapa hal yang dapat menyebabkan model memberikan hasil yang
kurang akurat ketika di validasi yaitu: - Pola curah hujan yang berbeda semasa pembentukan model dengan validasi
model. - Penggunaan interval waktu yang berbeda antara proses pembentukan model
dengan validasi model. Suhartono et al. 2006 juga memperoleh hasil yang sama ketika
memprediksi pola kunjungan wisatawan di Bali, dimana semakin baik model prediksi yang dibangun akan cenderung memberikan hasil validasi yang kurang
baik pula. Hal ini menunjukkan adanya dugaan bahwa dalam model terjadi overfitting
. Overfitting merupakan hal yang paling sering terjadi dalam model ANN, ketika model menjadi terlalu baik dalam memprediksi nilai-nilai aktual
sepanjang proses training maka terdapat peluang terjadi overfitting. Beberapa hal sebenarnya telah dilakukan untuk menghindari overfitting antara lain
menghentikan training lebih cepat dan membangun banyak training set. Oleh karena itu hal yang dapat direkomendasikan adalah melanjutkan penelitian ini
dengan membandingkan interval waktu antara proses training dan validasi kemudian dilanjutkan dengan penguraian bobot weight decay. Korgh dan Hertz
1995 mengemukakan bahwa weight decay telah lama diketahui dapat meningkatkan kemampuan generalisasi dari model ANN dengan teknik umpan
maju. Meskipun terdapat fluktuasi yang tidak sama antara nilai-nilai prediksi
dengan nilai-nilai aktual, akan tetapi secara umum, model menunjukkan pola maksimum dan minimum curah hujan yang sejalan antara data aktual dengan data
prediksi.
4.4 Prediksi Curah Hujan 2009
