terlebih dahulu mereduksi komponen data awal dengan teknik Principal Component Analysis PCA dilanjutkan dengan teknik analisis regresi antara komponen utama
yang baru PC
1
,PC
2
...PC
n
terhadap respon Prediktan. PCR secara khas digunakan untuk model regresi linier, dimana jumlah variabel bebas prediktor adalah sangat
banyak. Metoda ini telah dioperasionalkan untuk prediksi musim hujan oleh India Meteorological Departement Rajeevan 2009. Selain itu dengan teknik PCR ini juga
diaplikasikan untuk model penentu datangnya monsun untuk wilayah Kerala India dengan performa yang baik Pai Rejeevan 2009. Prediktor model PCR dalam
model AMH di Jawa, menggunakan komponen utama PC hasil reduksi SML pada suatu domain terpilih. Prosedur model yang diduga dari nilai PC
1,
PC
2
,….PC
n
e Z
b Z
b Z
b Z
b b
Y
n n
+ +
+ +
+ +
= .....
ˆ
3 3
2 2
1 1
, ditunjukkan sebagai berikut :
9 Dimana :
Y : Respon data AMHLMH tiap stasiun b
: Nilai intersepsi b
1
3.8 Analisis Validasi Silang Cross validation
: Koefisien regressi Z : Komponen utama PC
e : Nilai Error Untuk menilai model regresi yang dihasilkan merupakan model yang paling sesuai
memiliki error terkecil, ditetapkan beberapa asumsi kenormalan.
Validasi model pada dasarnya merupakan cara untuk menyimpulkan apakah model sistem tersebut di atas merupakan perwakilan yang valid dari realitas yang
dikaji sehingga dapat dihasilkan kesimpulan yang meyakinkan. Validasi merupakan proses iteratif yang berupa pengujian berturut-turut sebagai proses penyempurnaan
model. Teknik validasi silang pada dasarnya membagi data sebagai data training dan data testing secara berurutan dan terus menerus Efron, 1982; Gong, 1983 dan
Michaelson, 1987 Wilks 1995. Model prakiraan awal musim hujan dengan data periode 1978-2007, di validasi dengan validasi silang untuk menguji stabilitas model
tersusun. Leave One Out Cross Validation LOOCV yaitu teknik validasi dengan mengeluarkan satu data untuk testing dari kumpulan data training n-
1
, selanjutnya menghitung nilai Root Mean Square Error RMSE. Hal tersebut dilakukan berurutan
dan seterusnya sehingga setiap satu data prediktan teruji sebagai data testing independen data dan menghasilkan sejumlah n nilai RMSE, dihitung
menggunakan persamaan :
RMSE =
∑ −
= n
j
Y Y
pi oi
n
1 2
1
Dimana : Y
oi
= Observasi pada periode ke-i i=1,2, ... , n Y
pi
= Hasil prakiraan pada periode ke-i i=1,2, ... , n n = Panjang periode prakiraan
Semakin kecil nilai RMSE mengindikasikan model memiliki tingkat kesalahan prediksi error yang kecil. Nilai RMSE rata-rata seluruh hasil testing validasi
menggunakan persamaan berikut : RMSE
rata-rata
k j
RMSE RMSE
j
− −
+ + ......
1 =
Dimana : RMSE
rata-rata
3.9 Verifikasi
= Rata-rata RMSE validasi RMSE ke-j = Testing ke-j dengan data training n- data ke-j
RMSE ke-j = Testing ke-k dengan data training n- data ke-k
j,k = urutan data ke-
n = Jumlah seluruh data
Langkah verifikasi yaitu dengan memasukkan prediktor ke dalam model untuk tahun data yang tidak dilibatkan dalam training. Prediktor verifikasi model AMH
adalah hasil reduksi anomali SML bulan JJA tahun 2008 di domain terpilih. Tingkat akurasi model dalam memprakirakan awal musim hujan Tahun 2008 ditentukan
dengan menilai tingkat kesalahan prediksi terhadap observasi error di tiap cluster.
Sehingga dengan verifikasi model merupakan perwakilan yang benar dari suatu fakta di lapangan observasi. Alasan penting suatu model perlu di verifikasi, adalah :
Memonitor kualitas prediksi, seberapa akurat model prediksi dan kaitanya dengan waktu kedepan.
Meningkatkan kualitas prediksi, sebagai langkah lanjutan dalam menemukan kesalahan hasil prediksi.
Membandingkan kualitas prediksi dari model lainnya.
3.10 Evaluasi
