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.