Pemodelan Downscaling Menggunakan Suport Vector Regression SVR
22
pada titik-titik tertentu terdapat beberapa jumlah curah hujan ekstrim terdapat dalam data observasi. Pada data observasi tersebut terdapat titik curah hujan
ekstrim, seperti tahun 1980, antara 1993-1994 dan 1996-1997 dan beberapa titik ekstrim lainnya. Oleh karena itu, pendugaan luaran GCM dan anomali SST 3.4
pada titik ekstrim tersebut menghasilkan prediksi yang belum mendekati nilai observasi yang sesungguhnya karena hasil prediksi yang dihasilkan oleh model
belum sensitif menangkap pola ekstrim tersebut. Sedangkan, jika data observasi dalam kondisi titik curah hujan dengan kondisi normal akan menghasilkan model
yang relatif bagus dimana hasil prediksi mampu mendekati nilai data observasi. Pada tahapan ujicoba terhadap luaran GCM dan anomali SST Nino 3.4
menghasilkan sebuah model dengan nilai hasil estimasi yang hampir mendekati pola distribusi dari nilai observasi. Akan tetapi apabila melihat nilai korelasi dan
nilai error RMSE dan MAEP yang diperoleh dari nilai rataan estimasi luaran GCM dan anomali SST Nino 3.4 terhadap nilai observasi menghasilkan suatu
kinerja yang cukup baik dalam melakukan pendugaan curah hujan bulanan di wilayah Indramayu menggunakan SVR.
Pada tabel 4 disajikan bagaimana kinerja dari luaran GCM dan anomali SST Nino 3.4 memiliki hasil kinerja yang baik apabila nilai error yang
dihasilkan bernilai rendah dan nilai korelasinya bernilai tinggi. Sedangkan luaran GCM dan anomali SST Nino 3.4 dapat dikatakan memiliki kinerja yang kurang
baik atau belum maksimal apabila nilai error yang dihasilkan bernilai tinggi dan nilai korelasinya bernilai rendah sehingga pendugaan curah hujan menjadi tidak
optimal. Secara umum, berdasarkan penjelasan table 4 dapat diperoleh kesimpulan
mengenai peringkat ataupun urutan kinerja dari masing-masing luaran GCM dan anomali SST Nino 3.4. Luaran GCM dan anomali SST Nino 3.4 yang terdiri dari
model t-47, t-63, giss-er, giss-aom, miub-g dan mri-32a dilakukan tahapan pelatihan dan pengujian menggunakan model SVR dengan fungsi kernel linear,
polynomial dan RBF. Hasil pengujian tersebut mendapatkan hasil yang sama yaitu nilai error yang paling terendah dan nilai korelasi validasi tertinggi adalah
luaran GCM dan anomali SST Nino 3.4 model t-47. Sedangkan nilai error tertinggi dan nilai korelasi validasi terendah adalah luaran GCM dan anomali
23
SST Nino 3.4 model miub-g. Sehingga dapat disimpulkan urutan berdasarkan kinerja luaran GCM dan anomali SST Nino 3.4 dalam pendugaan curah hujan
bulanan dari kinerja tertinggi sampai dengan terendah yaitu model t-47, model giss-er, model giss-aom, model mri-32a, model t-63, dan model miub-g.
Tabel 4. Nilai error, korelasi validasi r berdasarkan fungsi kernel dan rataan masing-masing model pada luaran GCM dan anomali SST Nino 3.4
Luaran GCM dan
SST Nino 3.4 Fungsi Kernel
RMSE MAEP
r
t-47 Linear Kernel
10,937 8,102
0,630 Polynomial Kernel
12,192 9,335
0,410 Radial Basis Kernel
11,136 8,213
0,605
t-63 Linear Kernel
11,233 8,210
0,605 Polynomial Kernel
12,061 9,349
0,401 Radial Basis Kernel
11,197 8,199
0,609
Giss - er Linear Kernel
11,029 8,133
0,626 Polynomial Kernel
11,558 9,335
0,455 Radial Basis Kernel
11,191 8,191
0,612
Giss – aom Linear Kernel
10,988 8,133
0,624 Polynomial Kernel
11,290 9,419
0,478 Radial Basis Kernel
11,177 8,192
0,612
Miub – g Linear Kernel
11,888 8,559
0,550 Polynomial Kernel
13,450 10,488
0,328 Radial Basis Kernel
11,914 8,514
0,561
Mri – 32a Linear Kernel
11,228 8,293
0,586 Polynomial Kernel
11,905 9,754
0,419 Radial Basis Kernel
11,159 8,200
0,611
24
Berdasarkan data yang disajikan pada tabel 4, diperoleh simpulan bahwa fungsi kernel linear menunjukan performance paling baik diantara fungsi kernel
lainnya. Hal ini dapat dilihat dengan ukuran nilai error terendah dan nilai korelasi tertinggi yang diujicobakan pada semua model luaran GCM dan anomali SST
Nino 3.4 sehingga untuk kasus pendugaan curah hujan pada penelitian ini, dimana digunakan 2 dua variabel masukan yaitu luaran GCM dan SST
menggunakan model SVR memiliki kecenderungan mengikuti fungsi linear. Pada fungsi polynomial dan RBF, parameter yang digunakan yaitu nilai default
seperti degree d = 3, gamma g= 0, dan cost parameter C = 1. Pengukuran kinerja dari luaran GCM dan anomali SST Nino 3.4 dapat
diperoleh berdasarkan hasil perbandingan nilai rataan prediksi dan observasi per- bulan. Hasil nilai prediksi dan observasi yang dilakukan pada penelitian ini
memiliki durasi selama 22 tahun 1979-2000. Hasil nilai prediksi dan observasi yang didapatkan dengan melakukan proses merata-ratakan pendugaan per-bulan
mulai dari bulan januari sampai dengan bulan desember perbandingan rataan hasil prediksi dan pengamatan semua model luaran GCM dan anomali SST Nino
3.4 secara lengkap disajikan pada lampiran 2. Berikut ini adalah perbandingan hasil prediksi dan pengamatan dari masing-masing model luaran GCM dan
anomali SST Nino 3.4 yang membentuk pola distribusi seperti disajikan pada gambar 7.
25
Gambar 7 Luaran GCM dan anomali SST Nino 3.4 berdasarkan perbandingan rataan prediksi dan observasi.
26
Berdasarkan gambar 7, menyajikan bahwa tingkat ketepatan prediksi dari luaran GCM dan anomali SST Nino 3.4 model t-47 mendapatkan hasil yang
paling terbaik dari model luaran GCM dan anomali SST Nino 3.3 lainnya. Pada gambar 6 menunjukan bahwa pola dari nilai prediksi luaran GCM dan anomali
SST Nino 3.4 model t-47 mengikuti pola dari nilai observasinya baik menggunakan fungsi kernel linear, polynomial dan RBF. Pola hasil prediksi yang
mendekati nilai observasinya menunjukan ketepatan dan konsistensi yang cukup baik dari luaran GCM dan anomali SST Nino 3.4 model t-47
. Oleh karena itu
dapat disimpulkan bahwa luaran GCM dan anomali SST Nino 3.4 model t-47 merupakan model yang memiliki kinerja yang baik dan relevan digunakan dalam
pendugaan curah hujan bulanan di Kabupaten Indramayu. Sedangkan untuk model luaran GCM dan anomali SST Nino 3.4 lainnya
secara umum pola distribusi hasil prediksi hampir mengikuti nilai observasi. Apabila dilihat pada gambar 7, terdapat beberapa nilai prediksi yang
menghasilkan nilai prediksi tidak mendekati nilai observasi disetiap model luaran GCM dan anomali SST Nino 3.4, sebagai contoh pada nilai rataan prediksi bulan
Januari untuk beberapa model luaran seperti model giss-aom, t-63 dan miub-g. Tetapi hasil rataan prediksi tersebut dapat dikatakan memiliki konsistensi karena
masing-masing luaran GCM dan anomali SST Nino 3.4 menunjukan pola distribusi nilai prediksi hampir mengikuti rataan nilai observasi pada bulan
Januari sampai dengan bulan Desember. Model miub-g merupakan model yang menghasilkan perbandingan rataan nilai prediksi dan nilai observasi terendah
berdasarkan rataan curah hujan bulanan. Hal ini ditunjukan pada hasil nilai prediksi yang masih jauh mendekati nilai observasi pada beberapa bulan, seperti
dihasilkan pada Januari, Maret, Agustus dan November.