kernel yang harus dioptimasi menjadi salah satu penyebab lamanya waktu komputasi yang dibutuhkan. Untuk mengatasi masalah kecepatan dengan
konsumsi waktu yang lebih sedikit, dapat dilakukan dengan menerapkan motode lain dalam melakukan pengoptimuman parameter fungsi kernel seperti metode
algoritma genetika maupun metode particle swarm optimization PSO yang dianggap optimal, efektif dan efisien, serta dapat meningkatkan performance dari
model lebih baik lagi.
4.5 Evaluasi Hasil Estimasi Curah Hujan Bulanan Kabupaten Indramayu
Hasil estimasi curah hujan bulanan di Kabupaten Indramayu memperlihatkan variasi baik ukuran eror dan korelasi disetiap masing-masing
stasiun pos hujan. Korelasi terbaik berdasarkan hasil estimasi model untuk semua luaran GCM yang dirata-ratakan dan masing-masing fungsi kernel yang dipakai,
ada pada stasiun pos hujan di wilayah bondan. Hasil estimasi model untuk wilayah bondan dengan menggunakan fungsi RBF kernel, menghasilkan nilai
korelasi sebesar 0,766 seperti yang terlihat pada Gambar 19.
Gambar 19 Hasil korelasi antara data estimasi dan pengamatan curah hujan bulanan Kabupaten Indramayu fungsi kernel: RBF
Nilai korelasi tersebut merupakan nilai tertinggi dibandingkan wilayah lain di Kabupaten Indramayu. Kemudian wilayah lainnya yang memiliki korelasi
cukup baik diantaranya Lohbener, Sukadana, Bangkir, Cikedeung, Cidempet, Jatibarang, dan sumurwatu memiliki nilai korelasi diatas 0,665. Hasil tersebut
masih lebih baik bila dibandingkan dengan wilayah lain seperti Jatinyuat, Sudimampir, Sudikampiran, Kedokanbunder, dan Krangkeng yang memiliki
korelasi dibawah 0.660.
Gambar 20 Hasil NRMSE, dan MAEP antara data estimasi dan pengamatan curah hujan bulanan Kabupaten Indramayu fungsi kernel: RBF
Hasil estimasi dari korelasi masing-masing wilayah di Kabupaten Indramayu memiliki kecenderungan yang sama dengan hasil ukuran eror yang
diperoleh Gambar 20. Dimana ukuran eror NRMSE dan MAEP dari estimasi curah hujan bulanan dengan nilai paling kecil terdapat pada stasiun hujan di
wilayah Bondan. Nilai eror dari estimasi tersebut merupakan nilai terendah dari semua stasiun hujan di Kabupaten Indramayu. Kemudian wilayah lainnya yang
memiliki nilai eror dari estimasi yang cukup rendah diantaranya Lohbener, Sukadana, Bangkir, Cikedeung, Cidempet, Jatibarang, dan Sumurwatu.
Selanjutnya stasiun hujan dengan nilai eror estimasi yang cukup tinggi ada pada stasiun di wilayah Jatinyuat, Sudimampir, Sudikampiran, Kedokanbunder, dan
Krangkeng. Plot perbandingan hasil estimasi dan pengamatan di Stasiun Bondan yang
memiliki korelasi terbesar dan eror terkecil dapat dilihat pada Gambar 21. Selanjutnya plot perbandingan hasil estimasi dan pengamatan dari salah stasiun
yang memiliki korelasi kecil dan eror yang besar seperti stasiun hujan Krangkeng
dapat dilihat pada Gambar 22 untuk stasiun lainnya dapat dilihat pada lampiran 3.
Gambar 21 Plot hasil estimasi dan pengamatan stasiun hujan Bondan
Gambar 22 Plot hasil estimasi dan pengamatan stasiun hujan Krangkeng Variasi dari evaluasi hasil estimasi oleh model terhadap 13 stasiun hujan
di Kabupaten Indramayu memperlihatkan bahwa lokasi stasiun hujan di wilayah tertentu dapat mempengaruhi dan menentukan ketepatan hasil ramalan curah
hujan bulanan. Hal tersebut menimbulkan dugaan bahwa besarnya tingkat ketepatan model salah satunya bergantung pada lokasi stasiun hujan.
100 200
300 400
500 600
1 9
7 8
1 9
7 9
1 9
8 1
9 8
1 1
9 8
2 1
9 8
3 1
9 8
3 1
9 8
4 1
9 8
5 1
9 8
6 1
9 8
7 1
9 8
8 1
9 8
8 1
9 8
9 1
9 9
1 9
9 1
1 9
9 2
1 9
9 3
1 9
9 3
1 9
9 4
1 9
9 5
1 9
9 6
1 9
9 7
1 9
9 8
1 9
9 8
1 9
9 9
2
C u
ra h
H u
ja n
m m
Tahun
Bondan
Observasi Est im asi
100 200
300 400
500 600
1 9
7 8
1 9
7 9
1 9
8 1
9 8
1 1
9 8
2 1
9 8
3 1
9 8
3 1
9 8
4 1
9 8
5 1
9 8
6 1
9 8
7 1
9 8
8 1
9 8
8 1
9 8
9 1
9 9
1 9
9 1
1 9
9 2
1 9
9 3
1 9
9 3
1 9
9 4
1 9
9 5
1 9
9 6
1 9
9 7
1 9
9 8
1 9
9 8
1 9
9 9
2
C u
ra h
H u
ja n
m m
Tahun
Krangkeng
Observasi Est im asi
Pada Gambar 23 memperlihatkan lokasi dari stasiun hujan di Kabupaten Indramayu. Lokasi wilayah stasiun hujan dengan hasil penghitungan dan evaluasi
nilai estimasi model yang cukup baik, seperti Bondan, Lohbener, Sukadana, Bangkir, Cikedeung, Cidempet, Jatibarang, dan Sumurwatu berada agak jauh dari
garis pantai laut. Sebaliknya stasiun hujan dengan hasil estimasi modelnya tidak terlalu bagus seperti Jatinyuat, Kedokanbunder, Krangkeng, sudikampiran dan
sudimampir memiliki lokasi yang berdekatan dengan pantailaut.
Gambar 23 Lokasi Stasiun Hujan di Kabupaten Indramayu Sumber: diolah dari Buono 2010, dan sutikno 2008
Adanya variasi atau perbedaan kinerja dari hasil estimasi model antar lokasi stasiun hujan, diduga karena pengaruh yang nyata adanya laut. Untuk
stasiun hujan yang lokasinya berdekatan dengan laut, akan mengurangi pengaruh dari topografi lokal sehingga mempengaruhi luaran GCM yang digunakan dalam
melakukan proses downscaling. Dengan kata lain, akan timbul kesulitan bagi luaran GCM dalam menyimulasikan dengan baik peubah penjelas untuk
menghasilkan pemodelan downscaling yang handal dan memiliki ketepatan
prediksi yang baik. Sementara untuk stasiun hujan yang lokasinya agak berjauhan dengan laut, topografi lokal tidak terlalu terpengaruh oleh adanya interaksi iklim
yang kompleks antara daratan, lautan dan atmosfir sehingga cenderung lebih baik hasil dugaan modelnya. Hasil ini mendukung penelitian Watterhall 2005 yang
menyimpulkan bahwa lokasi stasiun hujan mempengaruhi luaran GCM dalam melakukan proses downscaling.
Secara keseluruhan nilai rata-rata eror dan korelasi dari 13 stasiun yang diujikan menggunakan model, menunjukkan tingkat ketepatan prediksi yang
masih belum merata untuk setiap stasiun hujan di Kabupaten Indramayu. Ada beberapa wilayah yang diyakini dapat dilakukan prediksi curah hujan bulanan
dengan baik apabila dilihat dari hasil evaluasi model estimasinya yang baik pula. Namun ada beberapa wilayah yang belum memuaskan hasil estimasinya sehingga
diragukan untuk melakukan ramalan terhadap curah hujan secara tepat dan akurat. Salah satu penyebab tingkat ketepatan model dalam memprediksi curah hujan
yang kurang memuaskan yaitu ketidaksempurnaan luaran GCM dalam menyimulasikan peubah penjelas khususnya untuk wilayah tropis Cavazos dan
Hewitson 2005. Wilayah Kabupaten Indramayu merupakan wilayah tropis dengan kontur dan topografi wilayah kurang merata, serta interaksi antara laut,
darat dan atmosfir yang kompleks menyebabkan adanya kesulitan membuat simulasi untuk prediksi curah hujan.
BAB V KESIMPULAN DAN SARAN