Pengukuran Kinerja Model Berdasakan Fungsi Kernel SVR

27 Gambar 8 Hasil Nilai rataan error dan korelasi validasi model berdasarkan kinerja fungsi kernel dari semua luaran GCM dan anomali SST Nino 3.4 Pada gambar 8 menyajikan analisis grafik mengenai model SVR, dimana model SVR dengan fungsi kernel linear memiliki nilai error paling rendah dan ukuran korelasinya paling tinggi yakni sebesar RMSE = 11,217 dan MAEP = 8,222, r = 0,603. Sedangkan fungsi kernel polynomial memiliki ukuran error paling tinggi dan ukuran korelasinya paling rendah RMSE = 12,076 dan MAEP = 9,613, r = 0,415. Terakhir, fungsi kernel RBF memiliki ukuran error dan korelasinya hampir mendekati fungsi kernel linear yaitu RMSE = 11,296 dan MAEP = 8,252, r = 0,602. 28 Model t-47 merupakan model yang memiliki nilai rataan ukuran error terendah serta nilai korelasi tertinggi. Pada model t-47, model SVR fungsi kernel linear menghasilkan nilai rataan error terendah dan ukuran korelasinya tertinggi sebesar r = 0,630. Kemudian fungsi kernel polynomial memiliki error tertinggi dan ukuran korelasinya r = 0,410. Selanjutnya yang terakhir yaitu fungsi kernel RBF memiliki nilai rataan error yaitu RMSE = 11,136, MAEP = 8,213, dan ukuran korelasinya r = 0,605. Berdasarkan hasil analisis kinerja mengenai hasil rataan nilai error dan tingkat korelasi terhadap semua 6 enam model luaran GCM dan anomali SST Nino 3.4 disimpulkan bahwa perbandingan antara ukuran error dan korelasi menunjukan model SVR yang memiliki kinerja yang baik secara berurutan adalah fungsi kernel linear, fungsi kernel RBF dan terakhir yaitu fungsi kernel polynomial. Perbandingan kinerja model SVR dengan fungsi kernel dapat diilustrasikan seperti disajikan pada gambar 9. 29 Gambar 9 Grafik scater plot hasil observasi dengan prediksi masing-masing model SVR fungsi kernel. Jika dilihat dari analisis gambar seperti yang disajikan pada gambar 9 menunjukan bahwa hubungan antara observasi dan hasil prediksi untuk setiap fungsi kernel. Pada model SVR tersebut memperlihatkan hubungan korelasi yang semakin tinggi serta semakin kecil nilai error antara hasil estimasi dan observasi dapat dilihat melalui persamaan regresi y = mx + c. Pada model SVR dengan luaran GCM dan anomali SST Nino 3.4 model t-47 yang menggunakan fungsi kernel linear memiliki hubungan kedekatan antara hasil estimasi dan observasi yang paling baik apabila dilakukan perbandingan dengan fungsi kernel lainnya.

4.3 Hasil Prediksi Untuk Setiap Stasiun Hujan

Tahapan pelatihan dan pengujian untuk semua luaran GCM dan anomali SST Nino 3.4 terhadap setiap stasiun curah hujan menghasilkan keragaman rataan nilai ukuran error dan nilai korelasi untuk setiap stasiun hujan. Berdasarkan pelatihan dan pengujian yang dilakukan dihasilkan nilai rataan prediksi yang berbeda-beda untuk setiap stasiun hujan. Hasil rataan prediksi yang dihasilkan dari model mendapatkan nilai rataan error terendah dan validasi korelasi tertinggi yaitu stasiun hujan wilayah Bondan. Stasiun wilayah Bondan memiliki nilai korelasi sebesar 0.700. Sedangkan stasiun pemantauan curah hujan Krangkeng merupakan stasiun curah hujan yang memiliki hasil prediksi terendah dengan nilai korelasi 0.455. Rataan korelasi dan 30 nilai error antara data prediksi dan data observasi curah hujan bulanan di Kabupaten Indramayu secara lengkap disajikan pada tabel 5. Tabel 5 Rataan korelasi dan nilai error antara data hasil prediksi dan observasi curah hujan bulanan di Kabupaten Indramayu. Stasiun Linear Kernel Korelasi RMSE MAEP Bangkir 0,573 14,238 9,667 Bondan 0,700 9,422 8,159 Cidempet 0,603 11,009 8,289 Cikedung 0,640 10,176 8,293 Jatibarang 0,641 11,243 7,994 Jatinyuat 0,588 11,803 8,239 Kedokan 0,483 12,806 8,337 Krangkeng 0,455 13,067 8,685 Lohbener 0,675 10,118 7,847 Sudikampiran 0,629 10,050 7,545 Sudimampir 0,578 11,727 7,898 Sukadana 0,668 9,302 7,868 Sumurwatu 0,611 10,844 8,280 Kemudian, stasiun pemantauan curah hujan di wilayah Kabupaten Indramayu lainnya yang memiliki rata-rata nilai korelasi cukup baik antara lain : Lohbener, Sukadana, Jatibarang, Cikedung, dan Sudikampiran memiliki nilai korelasi 0,644. Nilai rataan korelasi dari wilayah tersebut masih lebih baik jika dilakukan perbandingan dengan stasiun pemantauan curah hujan seperti, Sumurwatu, Cidempet, Jatinyuat, Sudimampir, Bangkir dan Kedokan Bunder yang memiliki niai rata-rata korelasi sekitar 0,565. Berikut plot perbandingan hasil korelasi dan ukuran error antara data prediksi dengan observasi pada setiap stasiun pengamatan curah hujan di Kabupaten Indramayu seperti disajikan pada gambar 10.