Hasil pengukuran RMSE untuk setiap model sangat bervariasi, hal ini ada hubungannya dengan banyaknya data uji yang digunakan serta hubungan
korelasi antara peubah prediktor dengan total hujan pada musim hujan di masing-masing wilayah hujan yang berbeda-beda. Nilai-nilai koefisien korelasi
antara peubah respon total hujan musim hujan dengan peubah prediktor awal musim hujan, panjang musim hujan dan SOI pada setiap wilayah, serta
banyaknya data set untuk setiap wilayah dapat dilihat pada Tabel 8. Tabel 8 Koefisien korelasi peubah prediktor dengan total hujan musim hujan
serta banyaknya data set pada Wilayah hujan 1 sd 5
Dataset Koefisien korelasi terhadap total hujan pada musim hujan
Jumlah Data Panjang
Musim Hujan Awal Musim
Hujan SOI
Agustus SOI
Oktober SOI
Februari Data
Set Data
uji
Wilayah 1 0,78
-0,37 0,37
0,38 0,46
38 13
Wilayah 2 0,65
-0,10 0,12
0,23 0,42
29 4
Wilayah 3 0,55
-0,30 0,27
0,41 0,42
28 3
Wilayah 4 0,72
-0,59 0,41
0,31 0,41
41 16
Wilayah 5 0,81
-0,64 0,55
0,44 0,46
36 11
Pada Wilayah 2 dan 3, nilai kinerja RMSE lebih baik dibanding dengan tiga wilayah lainnya, namun melihat banyaknya data uji yang digunakan, perbedaan
kinerja ini disebabkan karena perbedaan banyaknya data uji yang digunakan. Wilayah 2 dan dan 3 menggunakan yang jauh lebih sedikit dibanding wilayah
lainnya, hasil perhitungan RMSE lebih kecil dibanding wilayah lainnya. Pada Wilayah 2, penggunaan skenario data latih tampak mempengaruhi
kinerja model, semakin banyak data latih kinerja model juga meningkat menurunkan nilai RMSE. Untuk wilayah lain tidak nampak pengaruh
penggunaan skenario data latih secara konsisten, penggunaan data latih yang lebih banyak tidak selalu menunjukkan kinerja yang lebih baik dibanding yang data
latihnya lebih sedikit, namun demikian dari tiga skenario data latih, penggunaan data latih terbanyak dengan 25 data latih menunjukkan kinerja yang lebih baik
dibanding skenario lainnya. Penggunaan fungsi kernel tidak menunjukkan
pengaruh yang konsisten terhadap kinerja model pada setiap wilayah. Tidak ada model dengan kernel tertentu yang kinerjanya dominan di setiap wilayah.
Karakteristik hubungan antara peubah respon dan peubah prediktor pada data Wilayah 1 sd Wilayah 5 berbeda dengan hubungan pada data rata-rata lima
wilayah sebagaimana yang ditunjukkan dari nilai-nilai koefisien korelasi peubah prediktor pada Tabel 8. Pada Wilayah 1 sd Wilayah 4, SOI bulan Agustus dan
Oktober kurang berkorelasi dengan total hujan pada musim hujan, sedangkan pada Wilayah 5, hubungan seluruh peubah prediktor dengan nilai total hujan pada
musim hujan mempunyai korelasi yang lebih baik. Kondisi demikian mestinya memberikan kinerja yang lebih baik dibanding pada wilayah lainnya, namun
apabila dilihat pada Gambar 12, kinerja RMSE pada Wilayah 5 cenderung lebih rendah dibanding wilayah lain. Hal ini disebabkan besarnya rentang nilai total
hujan nilai minimum dan nilai maksimum pada Wilayah 5 dibanding wilayah lainnya data set Wilayah 5 dapat dilihat pada Lampiran 8. Besarnya nilai RMSE
pada Wilayah 5 dipengaruhi besarnya kesalahan prediksi pada tahun 1997 tahun dengan total hujan yang rendah dan pada tahun 2001 tahun dengan total hujan
yang tinggi. Hasil prediksi model SVR untuk data wilayah 5 selengkapnya dapat dilihat pada Lampiran 28, 29 dan 30.
39
BAB V SIMPULAN DAN SARAN
5.1 Simpulan
Kesimpulan dari penelitian ini, bahwa model Jaringan Saraf Tiruan dan Support Vector Regrresion dapat digunakan untuk Model Prediksi Total Hujan
pada Musim Hujan dengan prediktor Awal Musim Hujan, Panjang Musim Hujan dan SOI Agustus, Oktober dan Februari. Model JST terbaik diperoleh dari model
dengan 30 buah hidden neuron dan dilatih dengan data latih 20 periode, dengan kinerja RMSE 231,32, MAPE 22,70 dan R 0,46. Model SVR terbaik diperoleh
dari model dengan kernel Linier dan dilatih dengan skenario 20 periode data latih, dengan kinerja RMSE 120,60, MAPE 9,09 dan R 0,86 .
Kinerja model SVR secara keseluruhan lebih baik dibanding kinerja model JST. Namun demikian penggunaan skenario data latih 15, 20 dan 25 periode tidak
menunjukkan pengaruh yang konsisten terhadap peningkatanpenurunan kinerja
5.2 Saran
Model yang dibuat pada penelitian ini menggunakan prediktor berupa peubah-peubah yang secara observasi tidak dapat diperoleh pada waktu
bersamaan. Hanya peubah Awal Musim Hujan dan SOI bulan Agustus yang dapat diperoleh lebih awal, sedangkan Panjang Musim Hujan, dan SOI Februari justru
diperoleh setelah musim hujan berakhir. Oleh karena itu diperlukan model-model untuk memprediksi peubah-peubah tersebut. Hasil prediksi dari model tersebut
dapat digunakan sebagai masukan pada model prediksi total hujan pada musim hujan ini sehingga dapat dilakukan prediksi yang lebih awal tanpa harus
menunggu nilai observasi SOI bulan Februari.
41
DAFTAR PUSTAKA
Agmalaro M. A. 2011. Pemodelan Statistical Downscaling Data GCM Menggunakan Support Vector Regression untuk Memprediksi Curah Hujan
Bulanan Indramayu [tesis]. Bogor : Sekolah Pascasarjana, Institut Pertanian Bogor.
Anad S. M., Dash A., Kumar M. S. J., Kesarkar A. 2011. Prediction and Classification of Thunderstorms Using Artificial Neural Network.
International Journal of Engineering Science and Technology. Volume 3 No. 5:4031-4035.
[BMKG] Badan Meteorologi Klimatologi dan Geofisika, Stasiun Klimatologi Pondok Betung. 2012a : Analisis Musim Hujan 20112012 dan Prakiraan
Musim Kemarau 2012. http:www.staklimpondokbetung.net
[28 Sep 2012]. [BMKG] Badan Meteorologi Klimatologi dan Geofisika. 2012b : Prakiraan dan
Analisa Musim Hujan. http:www.bmkg.go.id [28 Sep 2012]. Buono A et al. 2010. A Neural Network Architecture for Statistical Downscaling
Technique : A Case Study in Indramayu District. AFITA 2010 International Conference.
Chang C.-C., Lin C.-J. 2012. LIBSVM : A Library for Support Vector Machines. http:www.csie.ntu.edu.tw˜cjlinpaperslibsvm.pdf [18 Des 2012]
[DIPERTA] Dinas Pertanian Tanaman Pangan Provinsi Jawa Barat. 2012. Publikasi
Data Gangguan
Alam Tahun
2008. http:www.diperta.jabarprov.go.id
[08 Jan 2012] Faqih A. 2012. Pengenalan Konsep Mengenai Awal Musim Hujan, Panjang
Musim Hujan
dan Tinggi
Hujan. CCROM-SEAP.
http:ccromseap.ipb.ac.id. [13 Des 2012]
Fox. J. J. 2000. The Impact of the 1997-1998 El Nino on Indonesia, In : R.H. Grove and J.Chappell ed. El Nino – History and Crisis. Studies from Asis-
Pacific region. The White House Press. Cambridge, UK. Hung N. Q., Babel M.S., Weesakul S., Tripathi N.K. 2009. An artificial neural
network model for rainfall forecasting in Bangkok, Tahiland. Hydrology and Earth System Sciences 13 : 1413-1425.
Irawan B. 2006. Fenomena Anomali Iklim El Nino dan La Nina : Kecenderungan Jangka Panjang dan Pengaruhnya Terhadap Produksi Pangan. Forum
Penelitian Agro Ekonomi. Volume 24 No. 1: 28 – 45.
Laurene F. 1993. Fundamentals of Neural Networks : Architecture, Algorithms and Applications. Prentice Hall.
Muttaqin M. R. 2011. Pengembangan Metodologi Downscaling Menggunakan Jaringan Saraf Tiruan Studi Kasus Curah Hujan Indramayu [tesis]. Bogor :
Sekolah Pascasarjana, Institut Pertanian Bogor. Samsudin R., Shabri A, Saad P. 2010. A Comparison of Time Series Forecasting
using Support Vector Machine and Artificial Neural Network Model. Journal
of Applied
Sciences, 10:
950-958. http:scialert.netabstract?doi=jas.2010.950.958
Smola, A.J, and Scholkopf, B. 2003. “
A Tutorial on Support Vector Regression”, NeuroCOLT, Technical Report NC-TR-98-030, Royal Holloway College,
University of London, UK. Tjasyono, B 2004. Klimatologi Edisi ke-2. Bandung : Penerbit ITB.
LAMPIRAN