khususnya pada kinerja RMSE dan kinerja R, sedangkan pada kinerja MAPE, pada skenario data latih 20 buah, SVR-L mempunyai nilai yang lebih baik
13,33 dibanding 15,14 . Demikian juga dengan skenario C, penggunaan data latih sebanyak 25 periode selalu menunjukkan kinerja yang paling baik pada
semua model kernel SVR, bahkan terlihat pola bahwa semakin banyak data latih yang digunakan, semakin baik kinerjanya.
Untuk pengukuran kinerja model SVR pada data uji yang sama, yaitu sebanyak 18 periode terakhir, hasil selengkapnya seperti pada Tabel 7.
Tabel 7 Kinerja Model SVR pada dataset rata-rata dari lima wilayah untuk data uji yang sama 18 tahun terakhir
Model SVR RMSE
MAPE R
A. Data Latih sebanyak 15 buah 18 data uji
SVR-L 162,50
12,76 0,73
SVR-P 150,22
12,81 0,78
SVR-R 168,98
13,85 0,70
B. Data Latih sebanyak 20 buah 18 data uji
SVR-L 120,59
9,09 0,86
SVR-P 158,85
14,64 0,74
SVR-R 146,45
11,98 0,80
C. Data Latih sebanyak 25 buah 18 data uji
SVR-L 138,44
11,16 0,82
SVR-P 155,88
13,29 0,76
SVR-R 134,38
11,05 0,82
Hasil pengukuran kinerja pada data uji yang sama, menunjukkan model yang mempunyai kinerja terbaik adalah SVR-L-B, yaitu model SVR dengan
kernel linier yang dilatih dengan skenario data latih 20 buah. Namun demikian, penggunaan SVR-L tidak selalu menunjukkan kinerja yang terbaik di setiap
skenario data latih, semikian pula dengan penggunaan sknario data latih B juga tidak selalu menjadi yang terbaik pada setiap kernel SVR.
Gambaran perbandingan antara data observasi dengan hasil prediksi dari model-model terbaik untuk setiap skenario data latih berdasar Tabel 7 SVR-P-A,
SVR-L-B dan SVR-R-C pada 18 periode terakhir selengkapnya dapat dilihat pada Gambar 10.
a. b.
c. Gambar 10 Grafik Perbandingan Hasil Prediksi Model SVR
a. SVR-P-A, b. SVR-L-B, c. SVR-R-C Hasil prediksi dari model-model SVR dapat mengikuti pola data observasi.
Pada periode 2001 dan 2002, saat total hujan pada musim hujan menunjukkan nilai tertinggi dan terendahnya, ketiga model dapat mengikuti menemukan pola
tersebut, walaupun tingkat kesalahan model SVR-R-C terhadap titik tertinggi masih mencapai 26. Pada tahun 2007, model SVR-L-A dan SVR-P-C
mempunyai pola yang sama gagal mendekati data observasi. Pada titik tersebut, prediksinya jauh di bawah data observasi dengan persentase kesalahan hingga
26.
1991
1997 2009
y = 0.671x + 324.4 R² = 0.607
400 600
800 1000
1200 1400
400 600
800 1000
1200 1400
P re
d ik
si m
m
Observasi mm
SVR-P-A Linear SVR-P-A
2007
y = 0.714x + 272.3 R² = 0.748
400 600
800 1000
1200 1400
400 600
800 1000
1200 1400
Pr e
d ik
si m
m
Observasi mm
SVR-L-B Linear SVR-L-B
1992 1997
2002 1999
2007
y = 0.67x + 333.3 R² = 0.679
400 600
800 1000
1200 1400
400 600
800 1000
1200 1400
P re
d ik
si m
m
Observasi mm
SVR-R-C Linear SVR-R-C
4.3 Perbandingan Pemodelan JST dan SVR
a
b Gambar 11 Grafik perbandingan kinerja model-model JST dan SVR
a. MAE dan RMSE, b. Persentase Kesalahan MAPE Berdasarkan evaluasi kinerja model-model JST dan SVR, gambaran
perbandingan range nilai-nilai kesalahan selisih nilai observasi dan prediksi serta persentase kesalahan selisih nilai observasi dan prediksi dibanding nilai
observasi dari model terbaik pada setiap skenario selengkapnya dapat dilihat pada Gambar 11. Model-model SVR secara keseluruhan mempunyai kinerja yang
lebih baik dibanding model JST. Range nilai keasalahan prediksi setiap model
0.00 100.00
200.00 300.00
400.00 500.00
600.00 700.00
JST-50-A JST-30-B
JST-10-C SVR-P-A
SVR-L-B SVR-R-C
E rr
o r
at a
u S
el is
ih O
b se
rv a
si P
re d
ik si
C u
ra h
H u
ja n
m m
Model
Minimum |Error| Maksimum |Error|
Rata-rata |Error| RMSE
0.00 20.00
40.00 60.00
80.00 100.00
120.00 140.00
160.00
JST-50-A JST-30-B
JST-10-C SVR-P-A
SVR-L-B SVR-R-C
P ro
se n
ta se
Ke sa
la h
a n
E rr
o r
P re
d ik
si
Model
Minimum Maksimum
Rata-rata
SVR semuanya lebih kecil dibanding model JST, demikian pula persentase kesalahan prediksi. Besarnya persentase kesalahan dari model JST berasal dari
gagalnya prediksi model tersebut mendekati nilai observasi pada tahun 2002, yang merupakan tahun dengan total hujan pada musim hujan terendah. Persentase
kesalahan prediksi pada tahun tersebut lebih dari 100.
4.4 Implementasi Model Prediksi pada Data Wilayah
Pada pembahasan sebelumnya, model-model diimplementasikan pada dataset yang merupakan rata-rata dari lima wilayah. Model SVR menunjukkan
kinerja yang lebih baik dibanding model JST. Model-model SVR ini selanjutnya diimplementasikan pada data set wilayah 1 sd 5 sebagaimana Lampiran 4 sd
Lampiran 8. Model diimplementasikan dengan peubah masukan yang sama, yaitu Panjang Musim Hujan, Awal Musim Hujan dan SOI bulan Agustus, Oktober dan
Februari. Hasil prediksi untuk setiap model SVR pada setiap wilayah selengkapnya dapat dilihat pada Lampiran 16 sd Lampiran 30. Perbandingan
pengukuran kinerja RMSE dari setiap model dengan SVR dan setiap skenario data latih dapat dilihat pada Gambar 12.
Gambar 12 Perbandingan kinerja RMSE model SVR pada setiap wilayah hujan
50 100
150 200
250 300
350 400
Wilayah 1 Wilayah 2
Wilayah 3 Wilayah 4
Wilayah 5
R M
S E
m m
Wilayah Hujan
SVR-L-A SVR-L-B
SVR-L-C SVR-P-A
SVR-P-B SVR-P-C
SVR-R-A SVR-R-B
SVR-R-C
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