BAB IV HASIL DAN PEMBAHASAN
4.1 Pemodelan Downscaling Menggunakan Suport Vector Regression SVR
Penelitian ini dilakukan dengan melakukan percobaan menggunakan SVR terhadap luaran GCM dan anomali SST Nino 3.4 serta 13 stasiun pemantauan
curah hujan di Kabupaten Indramayu selama 22 tahun 1979-2000. Berdasarkan hasil ujicoba terhadap model pendugaan luaran GCM dan anomali SST Nino 3.4
serta observasi 13 stasiun pemantauan curah hujan menghasilkan suatu nilai pendugaan cukup baik apabila melakukan perbandingan rataan pengamatan
stasiun hujan dengan rataan prediksi yang dihasilkan dari model SVR, seperti disajikan pada gambar 6.
Gambar 6 Plot hasil rataan prediksi dan observasi curah hujan bulanan berdasarkan luaran GCM dan anomali SST Nino 3.4 Model SVR
fungsi kernel linear.
Pada gambar 6, menunjukan bahwa secara umum hasil pendugaan yang diperoleh dengan menggunakan model fungsi SVR kernel linear menghasilkan
sebuah pola distribusi hasil estimasi curah hujan bulanan sudah hampir mendekati data observasinya dari 13 stasiun curah hujan plot hasil rataan
prediksi dan observasi untuk semua model luaran GCM dan anomali SST Nino 3.4 fungsi kernel polynomial dan RBF disajikan pada lampiran 1. Akan tetapi
21
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
Kategori