5.1 Kesimpulan
Berdasarkan penelitian yang dilakukan dapat diperoleh kesimpulan antara lain : hasil estimasi rataan luaran GCM dan anomali SST Nino 3.4 yang diujicobakan pada 6 (enam) luaran model yaitu model t-47, t-63, giss-er, giss-aom, miub-g dan mri-32a mempunyai akurasi nilai prediksi yang berbeda-beda terhadap 13 (tiga belas) stasiun observasi curah hujan yang berada di wilayah Indramayu. Model luaran GCM dan anomali SST Nino 3.4 yang memiliki hasil prediksi terbaik dalam melakukan pendugaan curah hujan bulanan di Kabupaten Indramayu adalah model t-47. Model t-47 memiliki nilai rata-rata ukaran error paling terendah serta nilai korelasi yang paling tertinggi yakni korelasinya r = 0,630 sedangkan model luaran GCM dan anomali SST Nino 3.4 yang memiliki kinerja terendah dalam melakkan pendugaan curah hujan bulanan di Kabupaten Indramayu yaitu model miub-g.
Hasil analisis kinerja fungsi kernel SVR (linear, polynomial dan RBF) menunjukan bahwa model SVR yang memiliki kinerja paling baik yaitu fungsi kernel linear. Dimana fungsi linear kernel memiliki nilai error paling rendah dan ukuran korelasinya paling tinggi yakni sebesar r = 0,603. Sedangkan hasil prediksi stasiun pemantauan curah hujan yang memiliki korelasi tertinggi yaitu wilayah Bondan dengan nilai korelasi sebesar 0,700 dan rataan nilai korelasi terendah diperoleh stasiun Krangkeng dengan nilai korelasi sebesar 0,455. Berdasarkan hasil prediksi terhadap 13 stasiun pemantauan curah hujan tersebut memiliki kecenderungan mengikuti pola distribusi yang dihasilkan oleh data observasi. Akan tetapi masih terdapat kelemahan yaitu pada beberapa titik ekstrim, hasil prediksinya belum sensitif menangkap pola curah hujan ekstrim tersebut. Lokasi pengamatan atau titik stasiun pengamatan curah hujan cukup memiliki pengaruh terhadap nilai korelasi yang dihasilkan oleh masing-masing stasiun curah hujan. Jika lokasi pengamatan berada dekat dengan laut maka nilai korelasi cenderung rendah. Sedangkan apabila lokasi pengamatan berada jauh dari laut, maka nilai korelasi yang dihasilkan cenderung lebih besar.
5.2 Saran
Penelitian ini menggunakan jumlah grid GCM domain 5x5. Untuk penelitian selanjutnya disarankan untuk mencoba memilih rentang grid GCM selain 5x5. Jumlah siklus atau periode data observasi dan data model GCM yang digunakan untuk pelatihan disarankan lebih banyak. Penambahan parameter masukan model GCM atau SST yang lain seperti SST Nino 3, SST Nino 4, SST Indian Ocean Dipole Mode ( IODM) sebagai parameter input. Untuk menangkap pola ekstrim disarankan mencoba membuat model berbeda dalam kasus pola titik ekstrim dan untuk peubah SST disarankan mengambil variabel anomali SST berdasarkan variability.
DAFTAR PUSTAKA
Agmalaro, M.A. 2011. P emodelan Statistical Downscaling Menggunakan Support Vector Regression.[Tesis]. Bogor. Institut Pertanian Bogor.
Buono, A. et al. 2010. A Neural Network Architecture for Statistical Downscaling Technique: A Case Study in Indramayu District. Dipublikasi dalam International Conference,The Quality Information for Competitive
Agricultural Based Production System and Commerce (AFITA)
Boer R. dan Subiah A.P. 2003. Agricultural drought in Indonesia. In Agriculture and Drought. UK: Oxford University Press.
Brusman, J. 2003 : “World Agriculture: Towards 2015/2030 – An FAO Perspective”. Earthscan Publications Ltd, London.
Brown, M.E., Funk C.C. 2008: Food Security Under Climate Change. Science; Vol.319. no. 5863, pp. 580-581.
Cavazos, T., Hewitson, B. 2002. Relative Performance of Empirical predictors of Daily Pecipitation. Proc. Of the 1st
Dillon, WR. & Goldstein, M. 1984. Multivariate Analysis Method and Applications. John Wiley & Sons, New York.
Biennal Meeting of the IEMSS. Lugano, Switzerland, 2:349:354.
Kirono, D., N. Tapper, and J. McBride, 1999: Documenting In-Idonesian rainfall in the 1997/1998 El Nino event. Phys.Geogr., 20, 422–435.
Ramage C.S. 1971. Monsoon Meteorology. Academic Press Inc., International Geophysics Series, Vol. 15
Moron, V., Qian J.H, Robertson A.W. 2010. Interactions among ENSO, the Monsoon, and Diurnal Cycle in Rainfall Variability over Java, Indonesia . Journal of the Atmospheric Sciences, Vol. 67, No. 11 : pp. 3509-3524.
Muttaqin, M. 2011. Pengembangan Metodologi Downscaling Menggunakan Jaringan Syaraf Tiruan. [Tesis]. Bogor. Institut Pertanian Bogor.
NOAA. 2005. El-Nino Regions is_monitoring/ensostuff/nino_regions. [26 November 2011]
Philander S.G. 1992. El Nino, La Nina, and Southern Oscillation. Academic Press Inc., San diego, California, USA.
Pramudia, Aris. 2002. Analisis Sensitivitas Tingkat Kerawanan Produksi Padi di Pantai Utara Jawa Barat Terhadap Kekeringan dan El-Nino. [Tesis]. Bogor. Institut Pertanian Bogor.
Smola, A.J., and Scholkopf, B. 2003.”A Tutorial on Support Vector Regression”, NeuroCOLT, Technical Report NC-TR-98-030, Royal Holloway College, University of London, UK.
Storch H.V and Zwiers F.W. 1999. Statistical Analysis in Climate Research. Cambridge University Press, Cambridge.
Sutikno. 2008. Statistical Downscaling Luaran GCS dan Permanfaatannya untuk Peramalan Produksi Padi. [Disertasi]. Bogor. Institut Pertanian Bogor.
Swarinoto Y.S dan Makmur, E.S. 2009. Simulasi Prediksi Probabilitas Awal Musim Hujan dan Panjang Musim di Ambon. Buletin Meteorologi Klimatologi dan Geofisika, Vol.5 No.3. BMKG Jakarta
Tripathi, S., Srinivas, V.V., Nanjundiah, R. S. 2006. Downscaling of precipitation for climate change scenarios: A support vector machine approach, in Journal of Hydrology April 2006, pp.621-640.
Ward N. 2000. Forecasting technical issues. Review of Regional Climate Outlook Forums, Pretoria, South Africa, hal 11
Wigena A.H. 2006. Pemodelan Statistical Downscaling dengan Regresi Projection Persuit untuk Peramalan Curah Hujan. [Disertasi]. Bogor. Institut Pertanian Bogor.
Wilby RL, Wigley TML. 1997. Downscaling general circulation model output : A review of methods and limitations. Progress in Physical Geography, 21,4:530-548.
Lampiran 1a Plot hasil rataan prediksi dan observasi curah hujan bulanan berdasarkan luaran GCM dan anomali SST Nino 3.4 (Model SVR fungsi kernel polynomial).
Lampiran 1b Plot hasil rataan prediksi dan observasi curah hujan bulanan berdasarkan luaran GCM dan anomali SST Nino 3.4 (Model SVR fungsi kernel RBF).
Lampiran 2a Perbandingan rataan hasil estimasi dan pengamatan semua model luaran GCM dan anomali SST Nino 3.4 (Linear Kernel).
Lampiran 2b Perbandingan rataan hasil estimasi dan pengamatan semua model luaran GCM dan anomali SST Nino 3.4 (Polynomial Kernel).
Lampiran 2c Perbandingan rataan hasil estimasi dan pengamatan semua model luaran GCM dan anomali SST Nino 3.4 (Kernel RBF).
Lampiran 3a Plot perbandingan hasil korelasi dan ukuran error antara data estimasi dengan observasi pada setiap stasiun pengamatan curah hujan di Kabupaten Indramayu (Fungsi Kernel : Polynomial).
Lampiran 3b Plot perbandingan hasil korelasi dan ukuran error antara data estimasi dengan observasi pada setiap stasiun pengamatan curah hujan di Kabupaten Indramayu (Fungsi Kernel : Kernel RBF).