4.2 Kinerja Model Berdasarkan Luaran GCM
Berdasarkan hasil grafik di Gambar 14 yang menggunakan panjang tahun selama 22 tahun, dapat dilihat bahwa enam luaran model GCM yang diujikan
memiliki kencenderungan dan pola yang hampir sama. Tidak telihat perbedaan yang mencolok secara kasat mata antara luaran satu dan lainnya. Akan tetapi bila
melihat nilai korelasi dan eror NRMSE dan MAEP yang didapatkan dari nilai estimasi dan observasi maka akan dapat dilihat luaran GCM yang mempunyai
kinerja yang paling baik dalam menduga curah hujan menggunakan SVR. Pada masing-masing luaran GCM, nilai korelasi dan eror dari estimasi dan observasi
untuk setiap stasiun di Kabupaten di Indramayu dirata-ratakan seperti yang terlihat pada Tabel 5.
Tabel 5 Nilai RMSE, korelasi validasi model menurut menurut fungsi kernel dan rataan masing-masing model pada GCM
Luaran GCM Fungsi
Kernel NRMSE
MAEP r
t-47
Linear kernel 9,891
8,174 0,639
Polynomial Kernel 9,547
8,072 0,660
RBF Kernel 9,271
7,928 0,685
t-63
Linear kernel 9,923
8,197 0,634
Polynomial Kernel 9,691
8,127 0,652
RBF Kernel 9,477
7,974 0,669
giss-er
Linear kernel 9,726
8,144 0,642
Polynomial Kernel 9,391
8,071 0,668
RBF Kernel 9,124
7,955 0,688
giss-aom
Linear kernel 10,093
8,257 0,628
Polynomial Kernel 9,822
8,130 0,641
RBF Kernel 9,592
7,974 0,666
miub-g
Linear kernel 10,584
8,278 0,613
Polynomial Kernel 10,290
8,229 0,626
RBF Kernel 9,925
8,075 0,657
mri-32a
Linear kernel 10,221
8,259 0,624
Polynomial Kernel 9,946
8,190 0,638
RBF Kernel 9,737
8,023 0,662
Kinerja dari luaran dapat dilihat berdasarkan nilai eror dan korelasinya. Luaran GCM dikatakan memiliki kinerja yang baik apabila nilai eror yang
dihasilkan kecil dan nilai korelasinya besar. Sebaliknya luaran GCM dengan
kinerja yang kurang baik apabila memiliki nilai eror yang besar dan nilai korelasi yang kecil.
Hasil validasi model downscaling menggunakan SVR pada luaran GCM yang ditunjukkan pada Tabel 5 memperlihatkan bahwa luaran GCM giss-er
memiliki nilai rata-rata eror yang paling rendah dan nilai rata-rata korelasi yang paling tinggi. Nilai eror dari luaran GCM giss-er yaitu NRMSE = 9,726 - linear
kernel, 9,391 - polynomial kernel, 9,124 - RBF kernel, MAEP = 8,144 – linear kernel, 8,071 - polynomial kernel, 7,955 - RBF kernel. Nilai korelasi
dari luaran GCM giss-er yaitu r = 0,642- linear kernel, 0,668- polynomial kernel, 0,688- RBF kernel. Berdasarkan Tabel 5 luaran GCM dengan nilai nilai
rata-rata eror yang paling tinggi dan nilai rata-rata korelasi yang paling rendah adalah luaran GCM miub-g. Nilai eror dari luaran GCM miub-g yaitu NRMSE =
10,584 - linear kernel, 10,290 - polynomial kernel, 9,925 – RBF kernel, MAEP = 8,278 - linear kernel, 8,229 - polynomial kernel, 8,075- RBF
kernel. Nilai korelasi dari luaran GCM miub-g yaitu r = 0,613- linear kernel, 0,626- polynomial kernel, 0,657- RBF kernel.
Berdasarkan keterangan dari tabel 5, terlihat jelas urutan kinerja
dari luaran GCM yang paling tinggi sampai pada GCM dengan kinerja yang paling rendah.
Luaran GCM yang diujikan menggunakan model SVR dengan tiga fungsi kernel yang berbeda yaitu fungsi linear kernel, polynomial kernel, dan RBF kernel,
menunjukkan hasil yang sama dimana kinerja paling baik dengan nilai eror yang paling kecil dan korelasinya paling besar adalah luaran GCM giss-er. Selanjutnya
luaran GCM dengan kinerja dibawah giss-er sampai pada luaran gcm dengan kinerja terendah secara berurutan adalah: luaran GCM t-47, luaran GCM t-63,
luaran GCM giss-aom, luaran GCM mri-32a, dan yang terakhir luaran GCM yang memiliki kinerja paling rendah adalah luaran GCM miub-g.
Hasil kinerja dari luaran GCM juga dapat dilihat dari hasil perbandingan nilai rataan estimasi dan pengamatan menurut bulannya. Nilai estimasi dan
pengamatan selama 22 tahun 1979-200 dirata-ratakan perbulan dari januari sampai bulan desember. Plot nilai dari perbandingan antara hasil estimasi dan
pengamatan membentuk suatu pola seperti yang ditunjukkan pada Gambar 15.
Gambar 15a Luaran GCM berdasarkan perbandingan rataan hasil prediksi dan observasi curah hujan dalam mm
20 40
60 80
100 120
140 160
180 200
220 240
260 280
300 320
340
Ja n
F e
b M
a r
A p
r M
e i
Ju n
Ju l
A g
u S
e p
O k
t N
o p
D e
s
1. giss-er
20 40
60 80
100 120
140 160
180 200
220 240
260 280
300 320
340
Ja n
F e
b M
a r
A p
r M
e i
Ju n
Ju l
A g
u S
e p
O k
t N
o p
D e
s
2. t-47
20 40
60 80
100 120
140 160
180 200
220 240
260 280
300 320
340
Ja n
F e
b M
a r
A p
r M
e i
Ju n
Ju l
A g
u S
e p
O k
t N
o p
D e
s
3. t-63
20 40
60 80
100 120
140 160
180 200
220 240
260 280
300 320
340
Ja n
F e
b M
a r
A p
r M
e i
Ju n
Ju l
A g
u S
e p
O k
t N
o p
D e
s
4. giss-aom
Gambar 15b Luaran GCM berdasarkan perbandingan rataan hasil prediksi dan
observasi curah hujan dalam mm
Gambar 15 menunjukkan bahwa secara umum tingkat ketepatan luaran GCM giss-er lebih baik dari luaran GCM lainnya. Nilai estimasi perbulan dari
januari sampai desember, baik menggunakan fungsi linear kernel, polynomial maupun RBF kernel, mendekati nilai pengamatannya. Pola dari nilai estimasi
yamg mengikuti pola dari nilai pengamatan menunjukkan kekonsistenan dan ketepatan yang cukup baik dari luaran GCM giss-er tersebut. Hal ini menandakan
bahwa luaran GCM giss-er memiliki kinerja yang baik dalam memprediksi curah hujan bulanan di Kabupaten Indramayu.
Selanjutnya untuk luaran GCM lainnya, tidak berbeda jauh karena pola nilai estimasi mengikuti nilai pengamatan seperti yang ditunjukkan pada Gambar
15. Hanya satu atau dua nilai estimasi yang kurang mendekati dari nilai pengamatan disetiap luaran GCM. Seperti pada bulan Januari, untuk beberapa
luaran GCM nilai estimasinya kurang mendekati nilai pengamatannya, namun tetap bisa dikatakan cukup konsisten karena masing-masing luaran GCM
20 40
60 80
100 120
140 160
180 200
220 240
260 280
300 320
340
Ja n
F e
b M
a r
A p
r M
e i
Ju n
Ju l
A g
u S
e p
O k
t N
o p
D e
s
5. mri-32a
20 40
60 80
100 120
140 160
180 200
220 240
260 280
300 320
340
Ja n
F e
b M
a r
A p
r M
e i
Ju n
Ju l
A g
u S
e p
O k
t N
o p
D e
s
6. miub-g
memperlihatkan pola yang dapat mengestimasi nilai-nilai rataan dari pengamatan yang berfluktuatif selama bulan januari sampai desember.
Bila diperhatikan dari Gambar 15, untuk luaran GCM dengan kinerja yang paling rendah berdasarkan perbandingan nilai rataan estimasi dan
pengamatanya, diperlihatkan oleh luaran GCM miub-g. Hal ini ditunjukkan dari nilai estimasinya yang cukup mencolok dan kurang mendekati nilai
pengamatannya pada bulan-bulan tertentu. Nilai estimasi yang kurang mendekati nilai pengamatanya adalah pada bulan Januari, September dan November.
Sehingga dengan demikian, untuk model SVR yang menggunakan luaran GCM yaitu miub-g, mendapatkan hasil prediksi terendah dibandingkan dengan model
yang menggunakan luaran GCM yang lain. Berdasarkan hasil kinerja antara luaran GCM yang diujikan dapat
dinyatakan bahwa setiap luaran GCM mempunyai tingkat akurasi berbeda-beda pada suatu wilayah. Pemodelan downscaling menggunakan SVR dengan luaran
GCM giss-er merupakan model paling baik untuk melakukan prediksi curah hujan bulanan di wilayah Kabupaten Indramayu, sedangkan GCM miub-g merupakan
model luaran GCM yang memiliki kinerja paling rendah untuk melakukan prediksi curah hujan bulanan di wilayah Kabupaten Indramayu.
4.3 Kinerja Model Berdasarkan Fungsi Kernel SVR