Prediksi panjang musim hujan menggunakan support vector regression

Abstract

Letak Indonesia yang berada di antara Samudra Pasifik dan Samudra Hindia menyebabkan kondisi iklim di Indonesia dipengaruhi oleh kondisi iklim global di kedua samudra tersebut. Oleh karena itu, panjang musim hujan sulit diprediksi. Penelitian ini bertujuan untuk membuat permodelan prediksi panjang musim hujan (PMH) menggunakan metode support vector regression (SVR). Prediktor yang digunakan adalah southern oscillation index (SOI) dari Samudra Pasifik dan dipole mode index (DMI) dari Samudra Hindia. Model yang terbentuk kemudian dievaluasi menggunakan koefisien determinasi (R2) dan root mean square error (RMSE). Data yang digunakan pada penelitian ini adalah data PMH di 3 stasiun cuaca di Kabupaten Pacitan (Arjosari, Kebon Agung, dan Pringkuku) tahun 1982/1983 hingga 2011/2012 sebagai data observasi serta data SOI dan DMI tahun 1982 hingga 2011 sebagai data prediktor. Penelitian ini menghasilkan model prediksi pada tiap stasiun cuaca. Nilai R2 terbaik pada stasiun cuaca Arjosari, Kebon Agung, dan Pringkuku secara berturut-turut adalah 0.73, 0.63, dan 0.58. Sementara itu, nilai RMSE terbaik pada stasiun cuaca Arjosari, Kebon Agung, dan Pringkuku secara berturut-turut adalah 2.45, 3.23, dan 2.86.

Climate condition in Indonesia is influenced by the global condition on both Pacific Ocean and Indian Ocean. This fact has caused difficulty in determining the length of rainy season in Indonesia. The goal of this research is to develop a model of rainy season length prediction using support vector regression (SVR). The predictors are southern oscillation index (SOI) from Pacific Ocean and dipole mode index (DMI) from Indian Ocean. The prediction model is then evaluated with determination coefficient (R2) and root mean square error (RMSE). The data used in this research is the length of rainy season data from 3 weather stations in Pacitan district (Arjosari, Kebon Agung, and Pringkuku) between 1982/1983 and 2011/2012 as the observation data and SOI and DMI between 1982 and 2011 as the predictor data. The result of this research is a prediction model for each climate station. The best R2 for Arjosari, Kebon Agung, and Pringkuku weather stations are 0.73, 0.63, and 0.58 respectively. Meanwhile, the best RMSE for Arjosari, Kebon Agung, and Pringkuku weather stations are 2.45, 3.23, and 2.86 respectively.