Pemodelan Support Vector Machine Quantile Regression untuk Prediksi Curah Hujan Bulanan pada Musim Kemarau Studi Kasus Kabupaten Indramayu.

Abstract

Curah hujan adalah salah satu unsur cuaca yang memiliki besar pengaruhnya terhadap sektor pertanian di Indonesia. Sejak tahun 1990, banyak daerah di Indonesia sering dilanda kekeringan dan kebanjiran sebagai dampak dari iklim yang ekstrim. Akibatnya, kegagalan panen atau puso melanda ratusan hektar sawah di Jawa (Iskandar, 2007). General Circulation Model (GCM) merupakan alat utama yang dikembangkan oleh para peneliti untuk mempelajari dan memprediksi perubahan iklim. Prediksi iklim menggunakan mesin pembelajaran dapat diterapkan untuk membantu membuat keputusan di masa depan. Salah satu aplikasi dari mesin pembelajaran yang paling maju adalah Support Vector Machine yang dapat digunakan dalam kasus-kasus klasifikasi dan regresi. Tujuan dari penelitian ini adalah mengembangkan model Statistical Downscaling menggunakan SVMQR dalam memprediksi curah hujan di musim kemarau serta merekomendasikan model GCM dengan kinerja paling baik yang dapat digunakan untuk melakukan prediksi curah hujan bulanan pada musim kemarau di Kabupaten Indramayu. Penelitian ini mengembangkan metode Support Vector Machine Quantile Regression (SVMQR) dalam memprediksi total curah hujan selama musim kemarau di Kabupaten Indramayu. Fungsi regresi SVMQR didekati menggunakan hyperplane Quantile Regression (QR). QR teknik memiliki kemampuan prediksi dari nilai ekstrim berdasarkan fungsi kuantil yang ditentukan (Koenker 2005). Radial Basis Function (RBF) digunakan sebagai kernel SVMQR. Pencarian parameter yang optimal dilakukan dengan menggunakan metode grid search. Curah hujan bulanan pada musim kemarau yaitu bulan Mei, Juni, Juli dan Agustus diprediksi berdasarkan nilai kuantil yang diperoleh dari posisi distribusi data. Model dengan kinerja paling baik adalah model yang memiliki nilai korelasi terbesar dan nilai Root Mean Square Error (RMSE) terkecil. Model yang paling direkomendasikan untuk digunakan dalam memprediksi curah hujan bulan Mei, Juni, Juli dan Agustus adalah model GCM CMC1-CanCM3. Korelasi yang dihasilkan model GCM CMC1-CanCM3 untuk prediksi bulan Agustus adalah 99% dengan nilai RMSEP 0.01. Prediksi model GCM CMC1-CanCM3 untuk bulan Mei, Juni dan Juli adalah 99%, 82% dan 95% dengan nilai RMSEP 0.05, 22 dan 8.9. Secara umum, hasil prediksi yang dihasilkan dengan metode SVMQR untuk menduga curah hujan bulan Mei Juni Juli dan Agustus cukup akurat dengan nilai korelasi yang hampir mendekati satu dan nilai RMSE yang kecil.