Pendugaan Curah Hujan Musim Kemarau Menggunakan Data Southern Oscillation Index dan Suhu Permukaan Laut NINO3.4 dengan Metode Support Vector Regression

PENDUGAAN CURAH HUJAN MUSIM KEMARAU MENGGUNAKAN DATA
SOUTHERN OSCILLATION INDEX DAN SUHU PERMUKAAN LAUT
NINO3.4 DENGAN METODE SUPPORT VECTOR REGRESSION

GITA ADHANI

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Pendugaan Curah
Hujan Musim Kemarau Menggunakan Data Southern Oscillation Index dan Suhu
Permukaan Laut NINO3.4 dengan Metode Support Vector Regression adalah
benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan
dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang
berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari
penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di

bagian akhir disertasi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Juli 2013
Gita Adhani
NIM G64090023

ABSTRAK
GITA ADHANI. Pendugaan Curah Hujan Musim Kemarau Menggunakan Data
Southern Oscillation Index dan Suhu Permukaan Laut NINO3.4 dengan Metode
Support Vector Regression. Dibimbing oleh AGUS BUONO dan AKHMAD
FAQIH.
Sebagian besar kejadian bencana iklim di Indonesia berkaitan dengan
fenomena El Nino-Southern Oscillation (ENSO). Variabilitas iklim khususnya
curah hujan sangat terkait dengan fenomena ini. Southern Oscillation Index (SOI)
dan anomali suhu permukaan laut (ASPL) NINO3.4 merupakan dua indikator
yang umum digunakan untuk memantau fenomena El Nino dan La Nina. Selain
itu SOI dan ASPL NINO dapat menjadi indikator untuk melihat peluang curah
hujan pada musim tertentu, terkait dengan akan terjadi atau tidaknya
penyimpangan iklim. Penelitian ini dilakukan untuk memprediksi nilai curah

hujan pada musim kemarau di Kabupaten Indramayu. Metode dasar yang
digunakan dalam penelitian ini adalah Support Vector Regression (SVR).
Prediktor yang digunakan adalah data SOI dan suhu permukaan laut (SPL)
NINO3.4. Percobaan dilakukan dengan membandingkan kinerja model dengan
hasil prediksi. Data latih di-cluster-kan terlebih dahulu, kemudian model SVR
dibuat menggunakan kernel RBF berdasarkan hasil cluster yang telah dilakukan.
Penelitian ini berhasil memperoleh model SVR dengan nilai koefisien korelasi
sebesar 0.76 dan nilai galat NRMSE sebesar 1.73.
Kata Kunci: Curah hujan musim kemarau, SPL NINO3.4, Southern Oscillation
Index, Support Vector Regression

ABSTRACT
GITA ADHANI. Support Vector Regression Modelling for Rainfall Prediction in
Dry Season Based on Southern Oscillation Index and NINO3.4 Sea Surface
Temperature. Supervised by AGUS BUONO and AKHMAD FAQIH.
Various climate disasters in Indonesia are mostly related to the El Nino
Southern Oscillation (ENSO) phenomenon. The variability of climate especially
rainfall is strongly related to this phenomenon. Southern Oscillation Index (SOI)
and sea surface temperature anomaly (SSTA) at Nino3.4 region are two common
indicators used to monitor phenomenon of El Nino and La Nina. Furthermore,

SOI and NINO SSTA can be the indicator to find the rainfall probability in a
particular season, related to the existing condition of climate irregularities. This
research was conducted to estimate the rainfall during dry season at Indramayu
district. The basic method used in this study was Support Vector Regression
(SVR). Predictors used were SOI and NINO3.4 sea surface temperature (SST)
data. The experiments were conducted by comparing the model performance and
prediction results. The training set was clustered in advance and then SVR model
was generated using RBF kernel based on their clustering result. This research
obtained an SVR model with correlation coefficient of 0.76 and NRMSE error
value of 1.73.
Keywords: Rainfall in Dry, NINO3.4 SST, Southern Oscillation Index, Support
Vector Regression

PENDUGAAN CURAH HUJAN MUSIM KEMARAU MENGGUNAKAN DATA
SOUTHERN OSCILLATION INDEX DAN SUHU PERMUKAAN LAUT
NINO3.4 DENGAN METODE SUPPORT VECTOR REGRESSION

GITA ADHANI
Skripsi
sebagai salah satu syarat untuk memperoleh gelar

Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

Judul Skripsi: Pendugaan Curah Hujan Musim Kemarau Menggunakan Data
Southern Oscillation Index dan Suhu Permukaan Laut NINO3.4
dengan Metode Support Vector Regression
Nama
: Gita Adhani
NIM
: G64090023

Disetujui oleh

Dr. Ir. Agus Buono, M.Si, M.Kom
Pembimbing I

Dr. Akhmad Faqih
Pembimbing II

Diketahui oleh

Dr. Ir. Agus Buono, M.Si, M.Kom
Ketua Departemen

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan September 2012 ini ialah
curah hujan, dengan judul Pendugaan Curah Hujan Musim Kemarau
Menggunakan Data Southern Oscillation Index dan Suhu Permukaan Laut
NINO3.4 dengan Metode Support Vector Regression.

Terima kasih penulis ucapkan kepada Bapak Dr Ir Agus Buono, MSi
M.Kom dan Bapak Dr Akhmad Faqih selaku pembimbing, serta Bapak
Muhammad Asyhar Agmalaro, MKom yang telah banyak memberi saran.
Ungkapan terima kasih juga disampaikan kepada almarhum ayahanda, ibunda,
adik serta teman-teman Ilkomerz 46 atas segala bantuan, doa, dan kasih
sayangnya.
Semoga karya ilmiah ini bermanfaat.

Bogor, Juli 2013
Gita Adhani

DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR LAMPIRAN
PENDAHULUAN

vi
vi
vi

1

Latar Belakang

1

Perumusan Masalah

2

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

3

TINJAUAN PUSTAKA

3

Southern Oscillation Index (SOI)

3

NINO

4

METODE

5

Identifikasi dan Perumusan Masalah

5

Pengambilan dan Pemilihan data

5

Pembagian Data

6

Proses Clustering dengan Metode Ward (Hierarchical Method)

6

Proses Support Vector Regression (SVR)

7

Deteksi Cluster

11

Pengujian

11

Analisis dan Evaluasi

11

HASIL DAN PEMBAHASAN

12

Pemilihan Data dan Prediktor

12

Kinerja Model Berdasarkan Fungsi Kernel SVR

13

Analisis dan Evaluasi Hasil

17

SIMPULAN DAN SARAN

19

Simpulan

19

Saran

19

DAFTAR PUSTAKA

19

LAMPIRAN

21

RIWAYAT HIDUP

23

DAFTAR TABEL
1 Nilai korelasi dan NRMSE berdasarkan kernel

13

DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14

Nilai SOI tahun 2008-2013 (BOM Australia 2002)
Wilayah NINO (IRI 2007)
Peta wilayah stasiun cuaca Kabupaten Indramayu
Diagram Alir metodologi pengujian
Ilustrasi mapping dari klasifikasi 2 dimensi ke dalam ruang fitur 3
dimensi (Gijsberts 2007)
Grafik perbandingan observasi dan prediksi berdasarkan kinerja kernel
RBF
Grafik perbandingan observasi dan prediksi berdasarkan kinerja kernel
Linear
Grafik perbandingan observasi dan prediksi berdasarkan kinerja kernel
Polinomial
Scatter plot observasi dengan prediksi fungsi kernel RBF
Scatter plot observasi dengan prediksi fungsi kernel Linear
Scatter plot observasi dengan prediksi fungsi kernel Polinomial
Grafik nilai SOI pada tahun 2002/2003
Grafik nilai galat NRMSE dari 3 fungsi kernel
Grafik koefisien korelasi observasi dengan prediksi untuk 3 fungsi
kernel

4
4
6
7
10
14
14
15
15
16
16
17
18
18

DAFTAR LAMPIRAN
1
2
3
4

Data tahun uji
Hasil prediksi menggunakan kernel RBF
Hasil prediksi menggunakan kernel Linear
Hasil prediksi menggunakan kernel Polinomial

21
21
22
22

PENDAHULUAN
Latar Belakang
Iklim merupakan salah satu komponen ekosistem alam yang memiliki
pengaruh besar terhadap berbagai sektor kehidupan manusia. Indonesia sebagai
negara agraris sangat bergantung terhadap kondisi iklim dan cuaca. Faktor iklim
dan cuaca menentukan keberhasilan bidang pertanian dan perkebunan.
Pengetahuan terhadap pola iklim dan cuaca dapat membantu dalam membuat
keputusan pola tanam dan varietas tanaman yang tepat di wilayah yang berbeda.
Salah satu unsur iklim yang berpengaruh langsung terhadap aktifitas pertanian
yaitu curah hujan.
Sebagian besar kejadian bencana iklim di Indonesia berkaitan dengan
fenomena El Nino Southern Oscilatioan (ENSO). Variabilitas iklim khususnya
curah hujan sangat terkait dengan fenomena ini. Pada umumnya, El Nino
membawa dampak berupa berkurangnya curah hujan bahkan kekeringan
sedangkan La Nina membawa dampak berupa meningkatnya curah hujan yang
bisa menyebabkan banjir (Estiningtyas dan Wigena 2011).
La Nina menyebabkan penumpukan massa udara yang banyak mengandung
uap air di atmosfer Indonesia sehingga potensi terbentuknya awan hujan semakin
tinggi. Sebagai contoh dampak La Nina, pada bulan-bulan pertengahan tahun
2010 yang biasanya terjadi musim kemarau, hujan tetap turun di berbagai daerah
mulai dari intensitas rendah hingga tinggi (BMKG 2010).
Fenomena El Nino menimbulkan dampak yang lebih serius daripada La
Nina. El Nino menyebabkan curah hujan di sebagian besar wilayah Indonesia
berkurang. Tingkat berkurangnya curah hujan ini sangat tergantung dari intensitas
dan durasi fenomena tersebut. El Nino seringkali menimbulkan kekeringan
panjang di Indonesia. Informasi curah hujan musim kemarau sangat diperlukan
dalam bidang pertanian dan perkebunan. Pendugaan curah hujan musim kemarau
dapat menjadi informasi bagi para petani untuk melakukan upaya mengurangi
resiko terhadap hal-hal yang ditimbulkan seperti kekeringan praproduksi yang
akan mengakibatkan gagal panen. Penelitian ini berfokus pada pendugaan curah
hujan musim kemarau di Kabupaten Indramayu.
Prediktor yang digunakan merupakan peubah-peubah yang berkaitan dengan
curah hujan musim kemarau. Peubah-peubah tersebut antara lain adalah Southern
Oscillation Index (SOI) dan suhu permukaan laut (SPL) di wilayah NINO3.4.
Metode yang digunakan adalah Support Vector Regression (SVR). SVR
merupakan Support Vector Machine (SVM) yang digunakan untuk kasus regresi.
Metode regresi merupakan salah satu metode prediksi musim yang telah
umum digunakan. Support Vector Machine (SVM) digunakan untuk mengatasi
batasan pada analisis regresi statistik. Regresi linear didasarkan pada beberapa
asumsi sehingga tidak dapat selalu cocok dengan karakteristik data set yang ada.
Penelitian dengan menggunaan metode SVR sebelumnya telah dilakukan oleh
Larasati (2012) mengenai prediksi awal musim hujan menggunakan data Southern
Oscillation Index (SOI). Agmalaro (2011) juga melakukan penelitian mengenai
pemodelan statistical downscaling data GCM menggunakan SVR untuk
memprediksi curah hujan bulanan di Kabupaten Indramayu. Hasilnya cukup baik

2

untuk memprediksi curah hujan dengan kondisi normal, tetapi tidak untuk
keadaan ekstrem.

Perumusan Masalah
Dampak keragaman dan perubahan iklim di Indonesia sudah sangat serius.
Diperlukan percepatan strategi adaptasi baik jangka pendek maupun jangka
panjang berdasarkan peningkatan kapasitas masyarakat, ilmu pengetahuan, dan
teknologi untuk mengurangi dampak tersebut. Pengetahuan tentang sifat dan
karakteristik hujan dapat menjadi salah satu informasi penting dalam menyikapi
kondisi iklim pada berbagai aktivitas ekonomi masyarakat di berbagai sektor,
khususnya pertanian, perikanan dan kelautan, kehutanan, dan transportasi. Dalam
tataran operasional, kebutuhan untuk mengetahui kondisi iklim di masa
mendatang dalam skala musiman mendorong pentingnya dilakukan prediksi iklim
khususnya prediksi curah hujan musiman. Curah hujan yang tidak menentu pada
musim kemarau sangat berisiko buruk terhadap berbagai sektor yang bergantung
pada kondisi iklim dan cuaca.
Penelitian ini difokuskan untuk memprediksi curah hujan musim kemarau
bulan Mei, Juni, Juli, dan Agustus di Kabupaten Indramayu. Metode yang
digunakan adalah Support Vector Regression (SVR) yang merupakan salah satu
metode machine learning. Peubah penduga yang digunakan, yaitu data Southern
Oscillation Index (SOI) dan suhu permukaan laut (SPL) NINO3.4.
Atas dasar rumusan masalah di atas, muncul pertanyaan penelitian sebagai
berikut:
1 Bagaimana memprediksi curah hujan musim kemarau Mei-Agustus (CHMK
MJJA) menggunakan Southern Oscillation Index (SOI) dan suhu permukaan
laut (SPL) NINO3.4 dengan metode SVR?
2 Bagaimana kinerja luaran dari pendugaan curah hujan musim kemarau dengan
metode SVR?
3 Bagaimana pemilihan parameter kernel yang tepat untuk pelatihan
menggunakan SVR?

Tujuan Penelitian
Penelitian ini bertujuan melakukan pendugaan curah hujan musim kemarau
mengambil studi kasus di wilayah Indramayu dengan metode Support Vector
Regression (SVR) dengan prediktor Southern Oscillation Index (SOI) dan suhu
permukaan laut (SPL) NINO3.4.

Manfaat Penelitian
Prediksi curah hujan musim kemarau yang diperoleh dari penelitian akan
membantu dalam berbagai bidang yang membutuhkan informasi atau prediksi
cuaca dan iklim antara lain: pariwisata, perikanan, pelayaran, perkebunan,
kehutanan, pembangunan gedung, penataan wilayah, dan kesehatan. Masyarakat

3

dapat dengan cepat mengembangkan strategi dalam menghadapi datangnya curah
hujan yang tidak menentu pada musim kemarau.

Ruang Lingkup Penelitian
Ruang lingkup dalam penelitian ini:
1 Penelitian ini difokuskan pada pencarian model prediksi curah hujan musim
kemarau periode MJJA terbaik dari hasil pembelajaran menggunakan SVR
2 Penelitian menggunakan data SOI, SPL NINO3.4, dan data observasi dari
stasiun cuaca di Indramayu.
3 Metode pelatihan yang digunakan adalah Support Vector Regression (SVR)
dengan kernel Linear, Polinomial, dan Radial Basis Function (RBF).

TINJAUAN PUSTAKA
Southern Oscillation Index (SOI)
Southern Oscillation Index (SOI) adalah anomali perbedaan tekanan udara
permukaan Tahiti di kepulauan Polinesia-Perancis dengan tekanan udara
permukaan di Darwin, Australia. SOI yang bernilai negatif berkaitan dengan
adanya fenomena El Nino karena tekanan udara di Tahiti jauh lebih rendah
daripada tekanan udara Darwin. SOI yang bernilai positif berkaitan dengan
kondisi La Nina karena ketika itu tekanan udara di Tahiti jauh lebih tinggi
daripada tekanan udara di Darwin. Berikut persamaan untuk menghitung nilai
SOI:

dengan
: Perbedaan rata-rata tekanan permukaan laut bulanan antara Tahiti dan
Darwin
: Rataan jangka panjang
untuk bulan tersebut
: Standar deviasi (simpangan baku)
Nilai negatif SOI yang berkelanjutan di bawah -8 menunjukkan fenoemena
El Nino sedangkan nilai positif SOI di atas +8 menunjukkan fenomena La Nina
(BOM 2002). Semakin negatif nilai SOI berarti semakin kuat kejadian panas
(warm event), sebaliknya semakin positif nilai SOI semakin kuat kejadian dingin
(cold event) (As-syakur 2007). Gambar 1 menunjukkan nilai SOI beberapa tahun
terakhir.

4

Gambar 1 Nilai SOI tahun 2008-2013 (BOM 2002)
NINO
NINO merupakan indeks suhu permukaan laut. NINO diperoleh dengan
mengambil nilai rata-rata dari suhu permukaan di beberapa daerah tertentu.
Terdapat 4 wilayah NINO menurut IRI (2007), yaitu NINO1+2, NINO3,
NINO3.4, dan NINO4. Wilayah NINO1+2 terletak antara ekuator 0° - 10° LS dan
80° - 90° BB. Daerah ini yang pertama kali mengalami peningkatan suhu ketika
terjadi peristiwa El Nino. NINO3 terletak pada wilayah tengah Samudra Pasifik
yaitu antara 5° LU - 5° LS dan 90° - 150° BB yang merupakan zona yang paling
berkaitan erat dengan kondisi El Nino. Wilayah NINO3.4 terletak antara ekuator
5° LS - 5° LU dan 170° - 120° BB dan memiliki variabilitas besar pada skala waktu
El Nino. NINO4 terletak pada bagian barat Samudra Pasifik antara 5° LU - 5° LS
dan 150° BB - 160° BT.
Peta wilayah NINO dapat dilihat pada Gambar 2. NINO3.4 umumnya lebih
sering digunakan untuk variabilitas iklim global yang berdampak luas.
Variabilitas suhu permukaan laut di wilayah ini memiliki efek paling kuat pada
pergeseran curah hujan di Pasifik Barat (IRI 2007).

Gambar 2 Wilayah NINO (IRI 2007)

5

METODE
Identifikasi dan Perumusan Masalah
Seperti yang telah dijabarkan dalam tujuan, penelitian dilakukan dengan
mengembangkan model Support Vector Regression untuk menduga curah hujan di
musim kemarau di wilayah Indramayu. Diperlukan suatu pemahaman yang
mendalam terkait hal-hal penting dalam pencapain tujuan penelitian. Pemahaman
mengenai literatur dilakukan dengan mempelajari sumber dan jurnal yang terkait
dengan peneletian. Sumber dan jurnal yang terkait dalam penelitian ini meliputi
proses pelatihan SVR, pengertian SOI, NINO, dan curah hujan musim kemarau.
SOI dan ASPL NINO merupakan indikator dalam pemantauan fenomena El Nino
dan La Nina yang disebut El Nino-Southern Oscillation (ENSO). ENSO berperan
penting terhadap kondisi ekstrem variabilitas hujan. Fluktuasi kejadian ENSO di
Samudra Pasifik sangat berhubungan dengan curah hujan di Indonesia (Aldrian et
al. 2007). NINO3.4 umumnya lebih sering digunakan untuk variabilitas iklim
global yang berdampak luas. Variabilitas suhu permukaan laut di wilayah ini
memiliki efek paling kuat pada pergeseran curah hujan di Pasifik Barat (IRI
2007). Pergeseran lokasi curah hujan dari barat ke pusat Pasifik menyebabkan
perubahan lokasi pemanasan sehingga mendorong sebagian besar sirkulasi
atmosfer global. Batasan penelitian juga ditetapkan agar cakupan tidak terlalu luas
atau terlalu sempit. Diagram alir metode penelitian dapat dilihat pada Gambar 4.

Pengambilan dan Pemilihan data
Data yang digunakan adalah Southern Oscillation Index (SOI), suhu
permukaan laut (SPL) NINO3.4, dan data observasi curah hujan musim kemarau.
Data SOI dan SPL NINO berasal dari situs milik Badan Meteorologi Australia,
the Bureu of Meteorology (BOM). Data SOI dari tahun 1876 sampai 2012,
sedangkan data SPL NINO dari tahun 1950 sampai 2010. Data observasi
merupakan data curah hujan tahun 1965-2010 dari beberapa stasiun cuaca di
Kabupaten Indramayu dari Badan Meteorologi Klimatologi dan Geofisika
(BMKG). Gambar 3 menunjukkan peta wilayah stasiun cuaca di Kabupaten
Indramayu. Penelitian ini hanya menggunakan data SOI Mei-Februari dari tahun
1970 sampai 2010. Begitupula dengan data NINO3.4 dan data observasi
mengikuti rentang waktu data SOI. SOI dan NINO3.4 digunakan sebagai
prediktor sedangkan data curah hujan musim kemarau Mei, Juni, Juli, Agustus
sebagai yang akan diprediksi. Data curah hujan tersebut terbagi dalam 5 wilayah
hujan (WH), yaitu:
1 Wilayah Hujan 1
: Losarang, Pusaka Negara, Sukra, dan Ujung Garis
2 Wilayah Hujan 2
: Sudikampiran dan Sudimampir
3 Wilayah Hujan 3
: Lawang Semut, Teluk Kacang, dan Wanguk
4 Wilayah Hujan 4
: Rentang, Sukadana, dan Tugu
5 Wilayah Hujan 5+6
: Sumurwatu, Taminyang, dan Slamet

6

Gambar 3 Peta wilayah stasiun cuaca Kabupaten Indramayu
Data curah hujan musim kemarau diperoleh dari penjumlahan curah hujan
perdasarian dari bulan Mei sampai Agustus. Kemudian dari WH1 sampai WH5+6
dicari rata-rata untuk setiap tahun periode curah hujannya. Data SOI dan SPL
NINO3.4 diperoleh dengan mengambil data pada bulan Mei sampai Februari
untuk setiap tahun periode curah hujan.

Pembagian Data
Pembagian data bertujuan untuk memperoleh data latih dan data uji. Data
latih digunakan untuk membuat model SVR sedangkan data uji digunakan untuk
menghitung akurasi dari model SVR yang dihasilkan. Data uji yang digunakan
hanya sepanjang 1 tahun.

Proses Clustering dengan Metode Ward (Hierarchical Method)
Proses clustering dengan metode Ward dilakukan pada data SOI, NINO3.4,
dan data curah hujan musim kemarau dengan partisi secara acak dalam k cluster.
Metode ini digunakan apabila jumlah kelompok yang diinginkan tidak diketahui.
Pengelompokan disajikan secara visual berbentuk dendogram yang menyajikan
gambaran jumlah kelompok terbesar hingga terkecil. Metode ini memulai
pengelompokkan pada unit penelitian yang memiliki kesamaan karakteristik
terdekat yang dianalogikan dengan jarak. Dalam metode ini jarak antara dua
cluster adalah jumlah kuadarat antara dua cluster untuk seluruh variabel. Metode
ini cendrung digunakan untuk mengkombinasikan cluster dengan jumlah kecil.
Data latih akan terbagi menjadi beberapa cluster sesuai dengan k cluster
yang ditentukan. Setelah didapatkan cluster yang menunjukkan karakteristik jarak
terdekat maka dilakukan proses deteksi cluster pada data uji. Data uji
menggunakan model SVR yang sesuai dengan cluster-nya.

7

Mulai

Identifikasi dan
perumusan
masalah

Pemilihan Data :
-Data Observasi
-Data SOI Mei-Feb, NINO3.4
Mei-Feb, dan curah hujan
musim kemarau

Data Latih

Data Uji

Cluster

A

B

Deteksi
Cluster

C

SVR
Kernel
Linear

Grid
Search

Polinomial

Tidak
Parameter
optimal?

RBF

Ya

Pengujian

Hasil

Analisis dan
Evaluasi

Selesai

Gambar 4 Diagram Alir metodologi pengujian
Proses Support Vector Regression (SVR)
SVR merupakan penerapan Support Vector Machine (SVM) untuk kasus
regresi. Dalam kasus regresi output berupa bilangan riil atau kontinyu. SVR
merupakan metode yang dapat mengatasi overfitting, sehingga akan menghasilkan
performansi yang bagus (Smola dan Schölkopf 2004). Ide dasar dari Support
Vector Regression dengan menentukan set data yang dibagi menjadi set latih dan
set uji. Kemudian dari set latih tersebut ditentukan suatu fungsi regresi degan
batasan deviasi tertentu sehingga dapat menghasilkan prediksi yang mendekati
target aktual. Data latih diproses menggunakan pelatihan SVR untuk memperoleh

8

model dengan data yang digunakan berupa data SOI, SPL NINO3.4, data curah
hujan musim kemarau sebagai masukan untuk pelatihan.
Misalnya kita mempunyai λ set data latih, (xj, yj) dengan j = 1, 2, … λ
dengan input x  { x1, x2 , x3 }  N dan output yang bersangkutan

y  { yi ,....., y }   . Berdasarkan data, SVR bertujuan menemukan suatu fungsi

regresi f(x) yang mempunyai deviasi paling besar ε dari target aktual yi untuk
semua data latih. Fungsi regresi f(x) dapat dinyatakan dengan formula sebagai
berikut (Smola dan Schölkopf 2004):

(x) menunjukkan suatu titik di dalam ruang fitur berdimensi lebih tinggi, hasil
pemetaan dari input vektor x di dalam ruang input yang berdimensi lebih rendah.
Koefisien w dan b diprediksi dengan cara meminimalkan fungsi risiko (risk
function) yang didefinisikan dalam persamaan (Smola dan Schölkopf 2004):
λ

λ
dengan kendala

∑

ε

ε

…λ

ε

…λ

dengan
ε

{

|

)| ε |

)|

Faktor ||w||2 dinamakan regularisasi. Meminimalkan ||w||2 akan membuat
suatu fungsi setipis mungkin sehingga bisa mengontrol kapasitas fungsi. Faktor
kedua dalam fungsi tujuan adalah kesalahan empiris (empirical error) yang diukur
dengan ε-insensitive loss function. Menggunakan de ε-insensitive loss function
harus meminimalkan norm dari w agar mendapatkan generalisasi yang baik untuk
fungsi regresi f. Oleh karena itu, masalah optimasi berikut perlu diselesaikan:
dengan kendala

| |
ε

…λ

ε

…λ

Asumsikan bahwa ada suatu fungsi f yang dapat mengaproksimasi semua
titik (xi, yi), dengan presisi ε. Dalam kasus ini diasumsikan bahwa semua titik ada
dalam rentang f ± ε feasible. Dalam hal infeasible, ada kemungkinan dalam
beberapa titik keluar dari rentang f ± ε. Penambahan variabel slack ξ, ξ* dapat
digunakan untuk mengatasi masalah infeasible constraint dalam masalah
optimasi. Selanjutnya, masalah optimasi di atas bisa diformulasikan sebagai
berikut:

9

λ

λ

∑ ξ ξ*

dengan kendala

ε ξ
…λ
ε ξ
…λ
*
ξ ξ
Konstanta C > 0 menentukan tawar menawar (trade off) antara ketipisan
fungsi f dan batas atas deviasi lebih dari ε masih ditoleransi. Semua deviasi lebih
besar daripada ε akan dikenakan pinalti sebesar C. Dalam SVR, ε sepadan dengan
akurasi dari aproksimasi terhadap data latih. Nilai ε yang kecil terkait dengan nilai
yang tinggi pada variabel slack ξi dan akurasi aproksimasi yang tinggi.
Sebaliknya, nilai yang tinggi untuk ε berkaitan dengan nilai ξi yang kecil dan
aproksimasi yang rendah. Nilai yang tinggi untuk variabel slack akan membuat
kesalahan empiris mempunyai pengaruh yang besar terhadap faktor regulasi.
Dalam SVR, support vector adalah data latih yang terletak pada dan di luar batas f
dari fungsi keputusan, karena itu jumlah support vector menurun dengan naiknya
ε (Bermolen dan Rossi 2009).
Dalam formulasi dual, masalah optimisasi dari SVR adalah sebagai berikut:
λ

λ

∑∑

λ

λ

*

(

*

∑

)

dengan kendala

*

∑

*

λ
*

∑

…λ

*

…λ

adalah dot-product kernel yang
C didefinisikan oleh pengguna,
didefinisikan sebagai
( ). Dengan menggunakan langrange
multiplier dan kondisi optimalitas, fungsi regresi secara eksplisit dirumuskan
sebagai berikut:
λ

∑(

*

)

Proses SVR dilakukan pada masing-masing cluster yang telah terbentuk dari
proses clustering. SVR menggunakan fungsi kernel untuk mentransformasikan
input yang non linear ke dalam ruang fitur yang dimensinya lebih tinggi karena
pada umumnya masalah dalam dunia nyata jarang yang bersifat linear separable.

10

Fungsi kernel dapat menyelesaikan kasus yang bersifat non linear separable ini.
Gambar 5 menunjukkan ilustrasi fungsi kernel. Setelahnya, SVR akan melakukan
perhitungan linear untuk menemukan hyperplane yang optimal pada ruang fitur
tersebut. Kernel akan memproyeksikan data ke dalam ruang fitur berdimensi
tinggi untuk menaikkan kemampuan komputasi dari mesin pembelajaran linear.
Adapun bebeberapa bentuk fungsi kernel adalah:
1 Fungsi Linear
Persamaan fungsi Linear adalah

2 Fungsi Polinomial
Persamaan fungsi Polinomial adalah
d

3 Fungsi Gaussian (RBF)
Persamaan fungsi RBF adalah
‖

‖

Fungsi kernel yang digunakan dalam proses SVR di antaranya: fungsi
kernel linear, Polinomial, dan RBF. Kinerja model dari fungsi kernel dapat
diketahui melalui nilai koefisien korelasi dan galat NRMSE. Masing-masing dari
fungsi kernel ini memiliki nilai parameter yang harus ditentukan terlebih dahulu.
Nilai parameter C untuk fungsi kernel linear, nilai parameter C, , r, dan d untuk
fungsi kernel Polinomial, parameter C dan untuk fungsi kernel RBF. Nilai
parameter sangat berpengaruh terhadap model SVR yang dihasilkan. Semakin
optimal parameternya semakin baik model yang dihasilkan. Pencarian parameter
optimum fungsi kernel menggunakan grid search.

Gambar 5 Ilustrasi mapping dari klasifikasi 2
dimensi ke dalam ruang fitur 3
dimensi (Gijsberts 2007)

11

Metode grid search merupakan salah satu metode yang sederhana untuk
untuk mengatasi masalah pengoptimuman. Metode ini melibatkan penyusunan
grid yang cocok dalam suatu ruang dimensi, mengevaluasi fungsi objektif dari
seluruh titik grid, dan menemukan titik grid yang sesuai dengan fungsi objektif
yang memiliki nilai optimum (Agmalaro 2011). Prinsip kerja grid search adalah
menentukan beberapa nilai parameter pada rentang tertentu, kemudian memilih
parameter pada nilai terbaik pada rentang tersebut dan melakukan pencarian
berulang pada grid (rentang nilai) yang lain.

Deteksi Cluster
Pendeteksian cluster dilakukan terhadap data uji yang berupa nilai SOI dan
NINO3.4 dalam satu tahun. Pendeteksian dilakukan dengan perhitungan
menggunakan squared pearson untuk mendeteksi cluster pada data uji. Data uji
yang telah diketahui cluster-nya tersebut akan diproses dengan model SVR yang
sesuai dengan cluster-nya.

Pengujian
Pada tahap pengujian, data uji digunakan sebagai masukan bagi model SVR
untuk mendapatkan output berupa nilai prediksi. Proses pengujian ini berdasarkan
model SVR yang sesuai dengan kategori cluster dari data uji tersebut.

Analisis dan Evaluasi
Pengukuran keakurasian dan galat hasil prediksi yang diperoleh dengan
model SVR terhadap data uji menggunakan koefisien korelasi (R) dan Normalized
Root Mean Square Error (RMSE). Kecocokan model dikatakan semakin baik jika
R mendekati 1 dan NRMSE mendekati 0. Koefisien korelasi menunjukkan
kekuatan hubungan antara dua peubah. Berikut persamaan untuk mencari nilai
koefisien korelasi R:

√[ ∑

∑

[∑

∑

] ]

∑

∑

∑

dengan
xi : nilai aktual/observasi
yi : nilai prediksi
n : jumlah data
Nilai kesalahan (error) digunakan untuk mengetahui besarnya simpangan
nilai dugaan terhadap nilai aktual. Perhitungan error menggunakan Normalized
Root Mean Square Error (NRMSE). Berikut persamaan untuk NRMSE:

12

√ ∑
dengan
xi : nilai aktual/observasi
yi : nilai prediksi
n : jumlah data
: standar deviasi dari prediksi

HASIL DAN PEMBAHASAN
Pemilihan Data dan Prediktor
Data curah hujan yang digunakan pada penelitian diperoleh dari Badan
Meteorologi Klimatologi dan Geofisika (BMKG). Informasi yang lebih detil
mengenai data yang digunakan dapat dilihat pada Bab Metodologi. Pemilihan SOI
dan NINO3.4 sebagai prediktor dalam pembentukan model SVR karena
keterkaitannya dengan curah hujan musim kemarau. Semakin tepat prediktor yang
digunakan, semakin baik pula model yang dihasilkan. Parameter SOI dan NINO
merupakan salah satu indikator fenomena ENSO yang memengaruhi iklim.
Pada umumnya Indonesia mempunyai 2 musim, yaitu musim hujan dan
musim kering sehingga curah hujan merupakan faktor utama sebagai bagian
terpenting dari iklim di daerah Indonesia yang berada di daerah tropik (Nieuwolt
dan McGregor 1982). Faktor utama yang mempengaruhi iklim di Indonesia adalah
muson dan beberapa proses lain seperti El Nino-Southern Oscillation (ENSO).
Gejala global seperti El Nino dan La Nina yang merupakan bagian dari fenomena
ENSO dapat diperkirakan kemunculannya dengan memperhatikan ulanganulangan anomali yang terjadi pada suhu permukaan laut.
SOI adalah indeks yang menunjukkan anomali perbedaan tekanan udara
permukaan Tahiti di kepulauan Polinesia-Perancis dengan tekanan udara
permukaan di Darwin, Australia. Fenomena alam ini disertai penyimpangan
peredaran dan pola curah hujan. Nilai negatif SOI sering kali menandakan
peristiwa El Nino, sedangkan nilai positif dari SOI yang dihubungkan dengan
angin pasat Pasifik yang lebih kuat dan suhu laut lebih hangat di sebelah utara
Australia menandakan peristiwa La Nina.
Selain itu, peubah global yang berpengaruh terhadap fenomena El Nino dan
La Nina adalah anomali suhu permukaan laut NINO. Perubahan suhu permukaan
laut sangat erat hubungannya dengan gejala yang terjadi di atmosfer. Gejala
perubahan suhu permukaan laut sangat penting untuk dicermati karena adanya
pengaruh timbal balik laut-atmosfer. Gejala ekstrem El Nino dan La Nina timbul
karena interaksi laut tersebut. NINO3.4 dinilai lebih tepat digunakan dibanding
dengan NINO yang lain. Variabilitas suhu permukaan laut di wilayah ini memiliki
efek paling kuat pada pergeseran curah hujan di pasifik barat (IRI 2007).
Pergeseran lokasi curah hujan dari barat ke pusat pasifik menyebabkan perubahan
lokasi pemanasan sehingga mendorong sebagian besar sirkulasi atmosfer global.
Oleh karena itu, digunakan SOI dan SPL NINO3.4 sebagai prediktor untuk

13

memprediksi curah hujan musim kemarau. Bulan SOI dan SPL NINO3.4 yang
digunakan yakni dari bulan Mei hingga Februari tahun depannya. Pemilihan bulan
ini bertujuan memprediksi curah hujan musim kemarau MJJA (Mei Juni Juli
Agustus) pada tahun depan tersebut.

Kinerja Model Berdasarkan Fungsi Kernel SVR
Penelitian dilakukan terhadap data latih 30 tahunan yang di-cluster dengan
jumlah cluster k = 3. Proses clustering dan deteksi cluster terhadap data uji
dilakukan pada perangkat lunak MINITAB 16. Masing-masing cluster memiliki
model SVR dengan ketiga fungsi kernel SVR, yaitu kernel Polinomial, Linear,
dan RBF. Pendeteksian cluster terhadap data uji bertujuan mendapatkan hasil
prediksi yang optimal dengan menggunakan model SVR yang tepat. Data uji 1
tahunan akan menggunakan model SVR yang sesuai dengan cluster-nya. Data
cluster tahun uji beserta modelnya dapat dilihat pada Lampiran 1. Kinerja dari
fungsi kernel SVR dapat terlihat dari tingkat korelasi dan nilai galat prediksi
terhadap data pengamatan masing-masing kernel. Kinerja model dikatakan baik
apabila tingkat korelasi besar dan nilai galat prediksi yang dihasilkan kecil.
Pelatihan dengan menggunakan SVR membutuhkan parameter yang sesuai
dengan kernelnya. Untuk mendapatkan kernel yang optimal, pada saat pelatihan
dilakukan grid search. Parameter yang dioptimalkan pada kernel Linear adalah
parameter C. Pada kernel Polinomial dan RBF yang dioptimalkan adalah
parameter C dan parameter .
Berdasarkan hasil perhitungan korelasi dan NRMSE, model SVR dengan
fungsi kernel RBF memiliki nilai korelasi terbesar dan galat yang paling kecil,
yaitu dengan nilai korelasi (R) 0.76 dan nilai NRMSE 1.73. Kemudian model
dengan kernel Linear memiliki nilai korelasi 0.13 dan nilai NRMSE 4.37.
Terakhir, fungsi kernel Polinomial dengan nilai korelasi -0.27 dan nilai NRMSE
357.54 merupakan kernel dengan nilai galat terbesar dan nilai korelasi terkecil.
Dengan urutan dari model dengan kinerja terbaik, yaitu RBF, Linear, dan
Polinomial yang memiliki kinerja paling rendah. Tabel 1 memperlihatkan nilai
korelasi dan NRMSE dari masing-masing kernel. Hasil prediksi lengkap dari
kinerja kernel dapat dilihat pada Lampiran 2, 3, dan 4.
Setiap 1 tahunan data uji yang berjumlah 10 tahun menjadi anggota cluster
yang berbeda. Tiap cluster untuk masing-masing data uji tersebut memiliki model
SVR dengan parameter optimal yang berbeda pula.
Tabel 1 Nilai korelasi dan NRMSE berdasarkan kernel
Kernel
RBF
Linear
Polinomial

Korelasi
0.76
0.13
-0.27

NRMSE
1.73
4.37
357.54

14

Penjelasan lebih lanjut dari kinerja fungsi kernel pada model SVR
dijelaskan dalam grafik perbandingan Gambar 6, 7, dan 8 serta scatter plot. Grafik
perbandingan menggambarkan hubungan antara observasi (CHMK MJJA) dan
hasil prediksi dari setiap fungsi kernel. Hubungan yang kuat antara observasi dan
prediksi menunjukkan korelasi yang semakin kuat dan semakin kecil pula ukuran
galat antara nilai yang diamati dan prediksi.
Kernel RBF
40

CHMK MJJA

35

Observasi

RBF

30
25
20
15
10
5
0
00/01 01/02 02/03 03/04 04/05 05/06 06/07 07/08 08/09 09/10

Tahun

Gambar 6 Grafik perbandingan observasi dan prediksi
berdasarkan kinerja kernel RBF

Kernel Linear

CHMK MJJA

40
35
30
25
20
15
10
5
0
-5
-10
-15
-20
-25

Observasi

Linear

00/01 01/02 02/03 03/04 04/05 05/06 06/07 07/08 08/09 09/10

Tahun

Gambar 7 Grafik perbandingan observasi dan prediksi
berdasarkan kinerja kernel Linear

15

Kernel Polinomial
50000

Observasi

Polinomial

0

CHMK MJJA

00/01 01/02 02/03 03/04 04/05 05/06 06/07 07/08 08/09 09/10
-50000
-100000
-150000
-200000
-250000

Tahun

Gambar 8 Grafik perbandingan observasi dan prediksi
berdasarkan kinerja kernel Polinomial
Scatter plot pada Gambar 9, 10, dan 11 menunjukkan pola hubungan antara
nilai observasi dan nilai prediksi. Hubungan linear yang membentuk garis lurus
mengindikasikan bahwa ada hubungan yang erat antara observasi dan hasil
prediksi. Dapat dilihat bahwa dengan menggunakan kernel RBF dapat
menghasilkan hubungan yang cukup erat antara observasi dan prediksi.

Kernel RBF
40
35

Prediksi

30
25
20
15
10
5
0
0

5

10

15

20

25

30

35

Observasi

Gambar 9 Scatter plot observasi dengan prediksi fungsi
kernel RBF

40

16

Prediksi

Kernel Linear
40
35
30
25
20
15
10
5
0
-5 0
-10
-15
-20
-25

5

10

15

20

25

30

35

40

Observasi

Gambar 10 Scatter plot observasi dengan prediksi fungsi
kernel Linear
Kernel Polinomial
50000
0
0

10

20

30

40

Prediksi

-50000
-100000
-150000
-200000
-250000

Observasi

Gambar 11 Scatter plot observasi dengan prediksi fungsi
kernel Polinomial
Hasil prediksi dengan fungsi kernel RBF pada tahun 2002/2003
menunjukkan nilai CHMK yang lebih tinggi dibandingkan dengan nilai
observasinya sehingga memiliki nilai galat (selisih antara nilai sebenarnya atau
observasi dan nilai prediksi) yang besar. Hal ini disebabkan oleh bentuk fungsi
yang tidak cocok dengan data atau pemilihan rentang parameter yang salah pada
saat melakukan grid search. Pemilihan rentang bulan prediktor yang telalu
panjang juga dapat menyebabkan nilai prediksi yang tidak sesuai. Terdapat
kemungkinan mengikutsertakan bulan-bulan basah (bulan dengan curah hujan
yang tinggi) sebagai prediktor pada tahun ini sehingga menghasilkan nilai curah
hujan yang lebih tinggi. Gambar 12 menunjukkan nilai SOI pada tahun
2002/2003.

17

Nilai SOI Tahun 2003/2003
15
10
SOI

Nilai SOI

5
0
1

2

3

4

5

6

7

8

9

10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

-5
-10
-15
-20

Bulan

Gambar 12 Grafik nilai SOI pada tahun 2002/2003
Nilai SOI pada bulan Mei-Februari (5-13) tahun 2002/2003 umumnya
bernilai negatif tinggi. Hal ini mununjukan terjadinya fenomena El Nino sehingga
nilai observasi curah hujan pada tahun tersebut rendah.
RBF memiliki waktu komputasi atau running time yang lebih baik
dibandingkan dengan kernel Linear dan Polinomial. Waktu yang dibutuhkan
hingga mendapatkan hasil prediksi tidak mencapai 1 menit. Kernel Polinomial
membutuhkan waktu komputasi paling lama dari kernel yang lain yakni dapat
lebih dari 1 jam. Hal ini menunjukkan bahwa kernel RBF lebih baik dari kernel
lainnya baik dari segi hasil prediksi maupun waktu komputasi.

Analisis dan Evaluasi Hasil
Prediksi curah hujan musim kemarau dengan menggunakan SVR
menghasilkan nilai koefisien korelasi dan nilai galat NRMSE yang bervariasi.
Setelah data latih di-cluster dan dilakukan pendeteksian cluster terhadap data uji,
akhirnya diperoleh model terbaik dengan tingkat korelasi tertinggi dan galat
terendah. Berdasarkan kernel SVR, model terbaik yang diperoleh adalah ketika
menggunakan kernel RBF dengan peubah SOI dan NINO3.4 bulan Mei hingga
Februari. Nilai galat NRMSE menggunakan fungsi kernel RBF sebesar 1.73
seperti dapat dilihat pada Gambar 13. Nilai koefisien korelasi untuk masingmasing fungsi kernel memiliki nilai yang berbanding terbalik dengan nilai galat
NRMSE yang diperoleh, seperti terlihat pada Gambar 14.

18

400

357.54

350

NRMSE

300
250
200
150
100
50

1.73

4.37

RBF

Linear

0

Polinomial

Gambar 13 Grafik nilai galat NRMSE dari 3 fungsi
kernel
1

Koefisien Korelasi

0.8
0.6
0.4
0.2
0

RBF

Linear

Polinomial

-0.2
-0.4

Gambar 14 Grafik koefisien korelasi observasi
dengan prediksi untuk 3 fungsi kernel
Nilai koefisien korelasi fungsi kernel RBF sebesar 0.76. Hal ini
menunjukkan bahwa 76% diantara keragaman total nilai observasi dapat
dijelaskan oleh hubungan linearnya dengan nilai prediksi.
Nilai koefisien korelasi fungsi kernel Linear sebesar 0.13. Hal ini
menunjukkan bahwa 13% diantara keragaman total nilai observasi dapat
dijelaskan oleh hubungan linearnya dengan nilai prediksi.
Nilai koefisien korelasi fungsi kernel Polinomial sebesar -0.27. Hal ini
menunjukkan bahwa koefisien korelasi bernilai negatif yang memiliki hubungan
terbalik. Artinya jika nilai observasi tinggi, nilai prediksi akan menjadi rendah
begitu pula sebaliknya. Nilai koefisien korelasi tersebut menunjukkan 27%
diantara keragaman total nilai observasi dapat dijelaskan oleh hubungan linearnya
dengan nilai prediksi.

19

SIMPULAN DAN SARAN
Simpulan
Penelitian ini telah menghasilkan suatu model Support Vector Regression
(SVR) terbaik dalam pendugaan curah hujan musim kemarau dengan nilai
koefisien korelasi terbesar, nilai NMRSE terkecil menggunakan data SOI dan
NINO3.4. Data uji menggunakan model SVR yang sesuai dengan cluster-nya
untuk menentukan nilai prediksi curah hujan musim kemarau. Model SVR
tersebut diperoleh dengan menggunakan fungsi kernel Radial Basis Function
(RBF), jumlah cluster data latih sebanyak k = 3. Nilai koefisien korelasi yang
dihasilkan adalah sebesar 0.76 dan nilai galat NRMSE sebesar 1.73. Fungsi kernel
Polinomial memiliki kinerja paling buruk untuk nilai koefisien korelasi terkecil
dan nilai galat NMRSE terbesar. Hal ini disebabkan oleh bentuk fungsi yang tidak
cocok dengan data atau pemilihan rentang parameter yang salah pada saat
melakukan grid search. Hasil prediksi CHMK dengan fungsi kernel RBF pada
tahun 2002/2003 yang lebih tinggi dari nilai observasinya kemungkinan karena
rentang bulan prediktor terlalu panjang sehingga bulan-bulan yang seharusnya
termasuk bulan basah diikutsertakan dalam proses sehingga menghasilkan
prediksi yang yang tidak sesuai dengan nilai observasinya.

Saran
Saran untuk penelitian selanjutnya adalah:
1 Dapat menghasilkan model yang lebih baik dengan jenis prediktor berbeda dan
rentang waktu prediktor yang tepat terhadap curah hujan musim kemarau
2 Menggunakan indeks anomali suhu permukaan laut (ASPL) NINO sebagai
prediktor
3 Mengoptimalkan parameter-parameter untuk fungsi kernel SVR dengan
menggunakan metode lain seperti algoritme genetika atau Particle Swarm
Optimization
4 Menetapkan rentang grid pada grid search yang lebih sesuai dengan fungsi
kernelnya.

DAFTAR PUSTAKA
As-syakur AR. 2007. Identifikasi hubungan fluktuasi nilai SOI terhadap curah
hujan bulanan di kawasan Batukaru-Bedugul, Bali. J Bumi Lestari. 7(2):123129.
Agmalaro MA. 2011. Pemodelan statistical downscaling data GCM menggunakan
support vector regression untuk memprediksi curah hujan bulanan Indramayu
[tesis]. Bogor (ID): Sekolah Pascasarjana, Institut Pertanian Bogor.
Aldrian, E., L.D. Gates, F.H.Widodo. 2007. Seasonal variability of Indonesian
rainfall in ECHAM4 simulations and in the reanalyses: The role of ENSO.
Theoretical and Applied Climatology. 87: 41 59.doi:10.1007/s00704-0060218-8.

20

Bermolen P, Rossi D. 2009. Support vector regression for link load prediction.
Computer Network Journal 53:191-201.
[BMKG] Badan Meteorologi Klimatologi dan Geofisika (ID). 2010. Hujan di
Musim Kemarau Dampak La Nina. [diunduh 2012 Nov 25]. Tersedia pada:
http://www.bmkg.go.id/RBMKG_Wilayah_9/Lain_Lain/Artikel/HUJAN_DI_
MUSIM_KEMARAU_DAMPAK_LA_NINA.bmkg.
[BOM] Bureau of Meteorology. 2002. Climate Glossary - Southern Oscillation
Index
(SOI)
[diunduh
2013
Jun
29].
Tersedia
pada:
http://reg.bom.gov.au/climate/ glossary/soi.shtml.
Estiningtyas W, Wigena A H. 2011. Teknik Statistical Downscaling dengan
regresi komponen utama dan regresi kuadrat terkecil parsial untuk prediksi
curah hujan pada kondisi El Nino, La Nina, dan Normal. Jurnal Meteorologi
dan Geofisika. 12(1):65-72.
Gijsberts A. 2007. Evolutionary optimization of kernel [tesis]. Delft (NL): Faculty
of Electrical Engineering Mathematics and Computer Science, Delft University
of Technology.
[IRI] The International Research Institute for Climate and Society (US). 2007.
Monitoring ENSO. [diunduh 2012 Nov 25]. Tersedia pada:
http://iri.columbia.edu/climate/ENSO/background/monitoring.html.
Larasati R. 2012. Prediksi awal musim hujan menggunakan data southern oscillation
index dengan metode Support Vector Regression [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
Nieuwolt S, McGregor GR. 1982. Tropical Climatology: An Introduction to The
Climate of The Low Latitude. Chichester (UK): John Wiley and Sons.
Smola AJ, Schölkopf B. 2004. A Tutorial on Support Vector Regression.
Statistics and Computing. 14:199-222.

21

Lampiran 1 Data cluster tahun uji fungsi kernel RBF
Tahun Uji

Cluster

2000/2001

C Terbaik

Terbaik

2

45.25

32

2001/2002

2

2.83

32

2002/2003

2

32

1.73x10-4

2003/2004

3

32

6.10x10-5

2004/2005

2

2

32

2005/2006

1

0.25

0.0625

2006/2007

3

1.41

32

2007/2008

3

33554432

3.05x10-5

2008/2009

2

8

0.13

2009/2010

2

134217728

4.21x10-8

Lampiran 2 Hasil prediksi menggunakan kernel RBF
Observasi (x)

Prediksi (y)

Galat (x-y)2

2000/2001
2001/2002
2002/2003
2003/2004
2004/2005
2005/2006
2006/2007

15.84
11.47
7.52
12.14
16.00
19.18
18.90

17.39
12.32
16.95
14.20
10.92
12.69
18.35

1.55
0.85
9.43
2.06
5.08
6.48
0.55

2007/2008

3.91

5.15

1.24

2008/2009

19.63

14.47

5.15

2009/2010

28.46

30.55

2.09

Tahun

22

Lampiran 3 Hasil prediksi menggunakan kernel Linear
Observasi (x)

Prediksi (y)

Galat (x-y)2

2000/2001
2001/2002
2002/2003
2003/2004
2004/2005
2005/2006
2006/2007

15.84
11.47
7.52
12.14
16.00
19.18
18.90

35.65
2.90
24.10
-9.33
16.36
-2.24
-19.19

19.81
8.57
16.58
21.47
0.36
21.42
38.09

2007/2008

3.91

4.45

0.54

2008/2009

19.63

4.58

15.05

2009/2010

28.46

29.84

1.38

Tahun

Lampiran 4 Hasil prediksi menggunakan kernel Polinomial
Observasi (x)

Prediksi (y)

Galat (x-y)2

2000/2001
2001/2002
2002/2003
2003/2004
2004/2005
2005/2006
2006/2007

15.84
11.47
7.52
12.14
16.00
19.18
18.90

31.46
-20961.67
19.40
34.80
-216778.03
-9.43
-171253.76

15.62
20973.14
11.88
22.65
216794.03
28.60
171272.66

2007/2008

3.91

0

3.91

2008/2009

19.63

-217593.11

217612.73

2009/2010

28.46

7.74

20.72

Tahun

23

RIWAYAT HIDUP
Penulis dilahirkan di Jambi pada tanggal 12 Juni 1992. Penulis merupakan
anak pertama dari dua bersaudara pasangan Bebih Hendiawan (Alm) dan Epi
Salmi. Penulis mengenyam pendidikan dasar di SD Negeri 150 Jambi (19982004). Kemudian, penulis melanjutkan pendidikan menengahnya di SMP Negeri
1 Jambi (2004-2006). Pada tahun 2009, penulis menamatkan pendidikan di SMA
Negeri 1 Jambi, Kota Jambi. Penulis berkesempatan melanjutkan studi di Institut
Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI) di
Depertemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.
Penulis aktif di berbagai organisasi kemahasiswaan seperti Himpunan
Mahasiswa Ilmu Komputer, Unit Kegiatan Mahasiswa Gentra Kaheman, Unit
Kegiatan Mahasiswa Koperasi Mahasiswa, club asrama TPB IPB Cybertron
(2009-2010) dan berbagai kegiatan seperti Pesta Sains (2010-2011), IT Today
(2010-2011), SPIRIT (2011), dan Masa Perkenalan Departemen (2011). Penulis
juga menjadi asisten praktikum pada Mata Kuliah Fisika (2010), Penerapan
Komputer (2011), Rekayasa Perangkat Lunak (2012), dan Sistem Informasi
(2013). Selain itu, penulis melaksanakan kegiatan Praktik Kerja Lapangan di
Kantor Badan Pemeriksa Keuangan (BPK) pada tahun 2012.