8. Jatibarang
Gambar 34 Diagram Taylor lokasi Jatibarang Berdasarkan grafik diatas, lokasi Jatibarang memiliki standar deviasi ± 18.
Model 4 memiliki nilai korelasi tertinggi 0.95 dibandingkan dengan model lainnya. Akan tetapi, memiliki nilai rentang RMSE yang besar dan standar
deviasi hampir dua kali lipat 40 dari titik referensi lokasi Jatibarang. Hal ini menyebabkan model 1 JST1-05 yaitu model BPNN dengan satu lapisan hidden
dan 5 neuron hidden ditentukan sebagai model terbaik pada lokasi Jatibarang. Diagram Taylor setiap titik lokasi penelitian menunjukkan model terbaik
yang dibangun dalam penelitian. Berikut ini Tabel 5 adalah model terbaik yang telah dibangun baik pada Skema I maupun Skema II berdasarkan analisis
menggunakan Diagram Taylor. Tabel 5 Model terbaik setiap lokasi penelitian
Lokasi Model
Terbaik Keterangan Indramayu T1
Model 5 BPNN 2 lapisan hidden, 20 dan 10 neuron hidden
Kedokan Bunder T2 Model 2 BPNN 1 lapisan hidden, 10 neuron hidden Krangkeng T3
Model 6 PNN+BPNN Juntinyuat T4
Model 6 PNN+BPNN Sudimampir T5
Model 5 BPNN 2 lapisan hidden, 20 dan 10 neuron hidden
Bondan T6 Model 2 BPNN 1 lapisan hidden, 10 neuron hidden
Kertasemaya T7 Model 6 PNN+BPNN
Jatibarang T8 Model 1 BPNN 1 lapisan hidden, 5 neuron hidden
Model 6 menjadi model terbaik pada tiga lokasi penelitian yaitu Krangkeng T3, Juntinyuat T4 dan Kertasemaya T7. Model 5 dan Model 2
menjadi model terbaik pada dua lokasi penelitian yaitu masing-masing Indramayu
T1, Sudimampir T5 dan Kedokan Bunder T2, Bondan T6. Sedangkan Model 1 menjadi model terbaik pada lokasi Jatibarang T8.
Peta Hasil Penelitian
Hasil analisis korelasi antara hasil prediksi dan observasi digunakan dalam membangun peta hasil penelitian untuk melihat pengaruh dari tiap lokasi
pengamatan terhadap hasil prediksi. Gambar 35 menunjukkan peta lokasi penelitian dengan memperhatikan pengaruh tiap lokasi terhadap hasil prediksi.
Gambar 35 Peta lokasi dan korelasi tiap lokasi terhadap prediksi AMH Berdasarkan percobaan, terdapat variasi korelasi yang dihasilkan dari
prediksi terhadap hasil obaservasi pada tiap lokasi penelitian. Gambar 35 menunjukkan bahwa terdapat beberapa lokasi dengan nilai korelasi antara hasil
prediksi dengan observasi dengan nilai korelasi yang signifikan. Lokasi Indramayu dan Kertasemaya termasuk dalam lokasi pada rentang korelasi 0.81-
0.89. Lokasi lainnya berada pada rentang korelasi lebih kecil, yaitu pada rentang lebih kecil dari 0.72.
5 SIMPULAN DAN SARAN
Simpulan
Awal musim hujan dapat ditentukan dengan data harian menggunakan pendekatan berdasarkan definisi agronomis. Indeks iklim global yang meliputi
Indian Ocean Dipole-Mode IOD, Southern Oscillation Index SOI, El Nino Modoki Index EMI, dan fenomena El Nino Southern Oscillation ENSO
meliputi La Nina dan El Nino yang diindikasikan dengan nilai suhu permukaan wilayah Nino menunjukkan korelasi terhadap awal musim hujan Indramayu.
Model Backpropagation Neural Network dengan satu buah lapisan hidden dan 10 buah neuron serta menggunakan Probabilistic Neural Network untuk klasifikasi
AMH menjadi model terbaik pada penelitian. Berdasarkan Diagram Taylor setiap lokasi, model integrasi Backpropagation Neural Network dan Probabilistic Neural
Network menjadi model terbaik untuk pendugaan AMH pada 3 titik dari total 8 titik pengamatan yaitu Krangkeng, Juntinyuat dan Kertasemaya. Akurasi tertinggi
diperoleh sebesar 87.5 pada titik pengamatan Kertasemaya.
Saran
Penggunaan data Curah Hujan harian dengan rentang waktu lebih panjang perlu diujicobakan untuk melihat fenomena perubahan iklim yang terjadi dan
pengaruhnya terhadap prediksi. Penggunaan lokasi titik pengamatan yang lebih banyak dapat memberikan gambaran pengaruh spasial terhadap prediksi secara
menyeluruh.