Menyusun Model Penyusunan Model Prakiraan Awal Musim Hujan di Jawa

analisis. Kecukupan nilai variasi maksimum dapat ditentukan dengan melihat grafik scree plot ketika mereduksi kumpulan data SML. Saat komponen plot scree mulai mendatar maka variasi maksimum telah tercapai sehingga pada titik itu di tetapkan jumlah variable prediktor yang akan digunakan dalam menyusun model. Selain itu ukuran persen kumulatif hasil penurunan grafik plot scree di tetapkan sebagai nilai batasan yang lebih teliti. Variabel input pada pola-1 tampak PC 1, PC 2 dan PC 3 dapat menjelaskan 93 keragaman sehingga prediktor yang di ambil adalah tiga variable. Pada pola-2, tampak PC 1, PC 2 dan PC 3 dapat menjelaskan lebih dari 91 keragaman dari variabel input sehingga prediktor yang di ambil adalah tiga variable. Untuk pola-3 dua variable PC sudah dapat menjelaskan lebih dari 80 keragaman dari variabel input sehingga prediktor yang di gunakan dua variabel. Grafik plot scree hasil reduksi prediktor di domain terpilh masing-masing pola di tampilkan pada lampiran 3.

4.7 Penyusunan Model Prakiraan Awal Musim Hujan di Jawa

4.7.1 Menyusun Model

Model disusun dengan periode data 30 tahun 1978-2007 menggunakan teknik analisis Principal Component Regression PCR. Variable sebagai prediktor adalah nilai reduksi anomali SML pada suatu domain terpilih PC 1, PC 2 .....PC n dan sebagai prediktan adalah AMH di tiap kelompok. Untuk mengukur proporsi atau variasi total di sekitar nilai tengah prediktan yang dapat dijelaskan oleh model regresi, maka digunakan ukuran nilai R 2 . Model prediksi pada pola-1 diperoleh dengan tingkat keragaman R² rata-rata sebesar 81.2 dengan rata-rata MSE sebesar 3.3. Pada Model prediksi pola-2 diperoleh tingkat keragaman R² rata-rata sebesar 31.4 dengan rata-rata MSE sebesar 3.6. Sedangkan Model prediksi pada pola-3 diperoleh tingkat keragaman R² rata-rata sebesar 24.6 dengan rata-rata MSE sebesar 3.7. Untuk Model prediksi ZOM 8 dan ZOM 13 diperoleh tingkat keragaman R² sebesar 7.7 dan 1.8 , hasil itu mengindikasikan bahwa model di dua ZOM tidak layak digunakan, selain itu asumsi kenormalan pada kedua ZOM tidak terpenuhi, koefisien regresi dan ukuran keragaman R² tiap model dapat dilihat pada tabel 2. Hasil training dengan asumsi kenormalan model dalam teknik regressi diseluruh ZOM disajikan pada lampiran 5. Tabel 2. Koefisien Persamaan Regressi tiap Pola Pola ZOM Koefisien R MSE 2 b0 b1 b2 b3 Pola-1 Z1 34.4 0.0369 0.0946 0.0178 13.3 2.7 Z10 34.5 0.0048 -0.113 0.135 11.4 3.9 Z16 34.2 0.041 0.0329 -0.159 16.4 3.1 Z21 35.5 0.0587 0.228 0.01 31.6 3.6 Rata-rata 18.2 3.3 Pola-2 Z2 32.4 0.0756 -0.114 0.056 27.6 3.6 Z3 31.6 0.0701 -0.21 0.0064 45.2 2.4 Z4 29.9 0.0813 -0.175 0.007 30.7 4.4 Z5 33.7 0.0451 -0.0298 0.116 9.8 5.3 Z6 36.4 0.0058 0.058 -0.025 2.1 3.9 Z7 31.4 0.115 -0.0575 -0.175 40.0 4.3 Z8 35.3 0.0143 0.126 7.7 4.3 Z9 32 0.0582 -0.112 0.0539 27.5 2.5 Z11 34.2 0.0565 -0.0505 -0.033 12.7 4.5 Z13 32.3 -0.0103 0.121 1.8 9.7 Z17 33.2 0.0667 -0.23 -0.258 57.5 2.4 Z18 34 0.0944 -0.15 -0.0115 40.6 3.2 Z19 35.7 0.0446 -0.281 0.156 44.9 2.9 Z20 33.6 0.0443 -0.133 -0.0567 25.0 2.6 Z22 30.9 0.115 -0.222 -0.0489 55.0 3.0 Z23 30.9 0.115 -0.222 -0.0489 55.0 3.0 Z24 35.2 0.0549 -0.0463 0.0336 19.5 2.5 Z26 30.9 0.115 -0.222 -0.0489 55.0 3.0 Z27 33.9 0.0821 0.0399 -0.0954 28.1 3.3 Z29 34.2 0.0339 -0.165 0.0922 42.0 1.3 Rata-rata 30.8 3.6 Pola-3 Z12 33.1 -0.266 0.068 - 37.0 4.9 Z14 33.2 -0.183 -0.0561 - 32.0 2.9 Z15 31.9 -0.106 -0.126 - 12.6 4.4 Z25 34.6 -0.114 -0.166 - 20.6 1.9 Z28 34.8 -0.105 -0.177 - 23.2 2.7 Z30 33 -0.163 -0.177 - 22.2 5.1 Rata-rata 24.6 3.7

4.7.2 Validasi Model