Anomali yaitu selisih antara nilai rata-rata satu set data yang digunakan untuk menyimpulkan penyimpangan dari kondisi ”normal”. Dimana Anomali 0
berarti nilainya diatas rata-rata, anomali 0 berarti nilainya dibawah rata-rata. Nilai anomali SST Nino 3.4 Philander, 1992 dihitung berdasarkan hasil
pengurangan antara nilai SST aktual dengan nilai SST rerata tempat yang bersangkutan. Persamaan yang digunakan ditulis sebagai berikut :
∆SST = SSTa – SSTm................................. 1 Dengan:
∆SST = Nilai anomali SST pada tempat yang bersangkutan °C; SSTa = Nilai SST aktual pada tempat yang bersangkutan °C;
SSTm = Nilai SST mean dari series data yang relatif panjang pada tempat yang bersangkutan °C.
Jika anomali SST bernilai positif, maka nilai aktual SST bernilai lebih tinggi dari pada nilai rerata SST tempat yang bersangkutan maka akan terjadi
peristiwa El-Nino. Sebaliknya jika anomali SST bernilai negatif, maka nilai SST aktual suatu tempat berada di posisi yang lebih rendah dari pada nilai SST
reratanya sehingga terjadi peristiwa La Nina.
2.4 Downscaling
Teknik Downscaling adalah suatu proses transformasi data dari suatu grid dengan unit skala besar menjadi data pada grid dengn unit skala yg lebih kecil
Wigena, 2006. Sedangkan menurut Wilby Wigley 1997 menyatakan bahwa downscaling merupakan suatu cara melakukan interpolasi peubah-peubah
prediktor pada atmosfir dalam skala regional terhadap peubah skala lokal. Pendekatan Downscaling mempunyai hubungan fungsional antara skala
lokal dengan skala global GCM, seperti model regresi. Dimana pendekatan Downscaling disusun berdasarkan adanya hubungan antara grid skala besar
prediktor dengan grid skala lokal respon yang dinyatakan dengan model statistik dalam melakukan penterjemahan anomali skala global d a r i beberapa
peubah iklim lokal Wigena 2006. Berikut bentuk umumnya adalah : Y
t, p
= f X
t, q, s, g
…………… 2
Dengan : Y : Peubah-peubah iklim lokal
q : banyaknya peubah X
X : Peubah-peubah luaran GCM dan s
: banyaknya lapisan atmosfer t : periode waktu
g : banyaknya grid domain GCM
p : banyaknya peubah Y
Gambar 3 Ilustrasi proses downscaling, Sumber : Sutikno, 2008.
2.5 Support Vector Regression SVR
Support Vector Regression SVR merupakan salah satu penerapan SVM untuk masalah regresi dengan pengenalan alternative kehilangan fungsi. SVR
melakukan pembelajaran learning menggunakan hipotesa berupa fungsi-fungsi linear dalam sebuah fitur feature space berdimensi tinggi dan non-linear dalam
ruang input. Smola dan Schölkopf, 2003. Pada model SVR ini, misalkan diberikan set data training x,y
input
N
x x
x x
ℜ ⊆
=
} ,
, {
3 2
1
dan
ℜ ⊆
= }
,....., {
λ
y y
y
i
merupakan output model. Dengan SVR, ingin menemukan suatu fungsi fx yang mempunyai deviasi paling
besar ε dari target aktual y
i
untuk semua data training. Dalam tahapan menemukan suatu fungsi regresi f x suatu titik didalam feature space dilakukan dengan
menambahkan support vector. Support vector adalah data training yang terletak pada dan diluar batas f dari fungsi fx, Apabila jumlah support vector mengalami
penurunan atau berkurang dipengaruhi oleh naik atau menurunnya ε Smola dan
Schölkopf, 2003. Misalnya fungsi berikut merupakan suatu garis regresi:
b x
w x
f
T
+ =
ϕ
, ............................................ 3 dimana
φx menunjukkan suatu titik didalam feature space hasil pemetaan x di dalam input space. Sedangkan w dan b yaitu koefisien yang melakukan estimasi
dengan cara meminimalkan fungsi resiko risk function. Salah satu faktor yang terdapat dalam fungsi tujuan yaitu kesalahan empirik empirical error yang
diukur dengan mentukan ε-insensitive loss function.
Apabila terdapat suatu fungsi f yang mengaproksimasi semua titik
i i
y x ,
dengan menambahkan presisi ε yaitu toleransi kesalahan error. Dalam
kasus ini diasumsikan bahwa semua titik ada dalam rentang
ε
± f
feasible. Jika terdapat kasus yang tidak mugkin dilakukan infeasible, hal ini disebabkan
terdapat beberapa titik yang berada dari rentang
ε
± f
, maka perlu ditambahkan variabel slack
ξ. Dimana variabel slack ξ digunakan untuk mengatasi masalah pembatas yang tidak mungkin diselesaikan infeasible constraint dalam masalah
optimasi. Selanjutnya problem optimasi diatas bisa diformulasikan sebagai berikut:
∑
=
+
λ
ξ ξ
λ
1 2
, 1
2 1
min
i i
i
C w
, ............................. 4 yang memenuhi:
, ,...,
2 ,
1 ,
,..., 2
, 1
, ≥
= ≤∈
− +
− =
≤∈ −
− −
i i
i i
i i
i T
i
i b
y x
w i
b x
w y
ξ ξ
λ ξ
ϕ λ
ξ ϕ
Dimana C merupakan konstanta, jika C 0 maka akan menentukan suatu titik berada antara ketipisan fungsi dan batas atas deviasi lebih dari sehingga
masih diberikan toleransi error. Sedangkan untuk deviasi lebih besar daripada ε
akan dikenakan pengurangan sebesar . Pada model SVR, nilai ε ekuivalen
dengan akurasi diperoleh dari aproksimasi terhadap vektor λ data training. Pada
n ilai ε yang kecil mempunyai hubungan terhadap variabel slack
i
ξ dan akurasi aproksimasi yang tinggi. Sebaliknya, pada nilai
ε yang besar berkaitan dengan nilai
i
ξ dan aproksimasi yang rendah. Nilai yang tinggi untuk variabel slack akan membuat kesalahan empirik empirical error mempunyai pengaruh yang
besar terhadap faktor regulasi. Smola dan Schölkopf, 2003.
BAB III METODE PENELITIAN
3.1 Metode Penelitian
Tahapan penelitian yang dilaksanakan disajikan pada gambar 4.
Gambar 4 Diagram alir penelitian. 13
Start Studi Literatur
+
SST Nino 3.4 3 Bulan
Sebelumnya
k-fold cross validation
Data Uji GCM+SST,
Observasi
Pelatihan SVR 1. Kernel Linear
2. Kernel Polynomial 3. Kernel RBF
Selang Terpenuhi ?
Pengujian
Ya Hasil
Parameter Baru Tidak
Analisis dan Evaluasi Dokumentasi dan Pelaporan
Preprocessing
Luaran GCM menggunakan PCA
Data Latih GCM+SST,
Observasi
End Grid Search
GCM Precipitation
Akuisi Data : 1. Data Luaran GCM Domain 5 x 5
2. Data SST Nino 3.4 3. Data Observasi
Standardize luaran GCM dan anomali SST Nino 3.4
3.1.1 Studi Literatur
Pada penelitian ini tahapan pertama yang dilakukan yaitu studi literatur. Tahapan ini mempelajari dan memahami suatu permasalahan yang akan diatasi
atau diselesaikan dengan menentukan tujuan, ruang lingkup dan manfaat penelitian tersebut. Oleh karena itu, tahapan studi literatur ini akan menambah
referensi pengetahuan dan pemahaman terhadap beberapa penelitian yang telah dilakukan sebelumnya yang terkait dengan penelitian, sehingga dapat diambil
simpulan mengenai keluaran penelitian ini berbeda dengan penelitian sebelumnya.
3.1.2 Akuisi Data
Tahapan ini dilakukan pengumpulan data-data antara lain : data luaran GCM variabel precipitation curah hujan, data anomali SST Nino 3.4 peubah penjelas
dan data observasi 13 stasiun pengamatan curah hujan wilayah Indramayu peubah respons yang terdiri dari 22 periode tahun 1979 – 2000.
3.1.2.1 Data Luaran GCM Peubah Penjelas
Data Luaran GCM yang digunakan dalam penelitian ini terdiri dari 6 luaran terdiri dari tahun 1901 – 2000. Berikut beberapa model GCM yang
digunakan beserta negara asal pembuatnya, seperti disajikan pada tabel 2. Tabel 2. Model GCM dan negara pembuatnya Sutikno, 2008
Nama Model GCM Negara Pembuat
20c3m-cgcm3.1-t47 Canada
20c3m-cgcm3.1-t63 Canada
20c3m-giss-model-er Amerika
20c3m-gissaom Amerika
20c3m-miub-echo-g Jerman
20c3m-mri-cgcm23-2a Jepang
Pada penelitian ini proses pemilihan datanya berdasarkan koordinat titik observasi stasiun hujan sehingga dihasilkan data luaran GCM dengan grid berupa
domain matriks 5x5. Proses cropping yang dilakukan mengikuti observasi
