BAB III METODE PENELITIAN
3.1 Metode Penelitian
Tahapan penelitian yang dilaksanakan disajikan pada gambar 4.
Gambar 4 Diagram alir penelitian. Start Studi Literatur
+
SST Nino 3.4 (3 Bulan Sebelumnya)k-fold cross validation
Data Uji GCM+SST, Observasi Pelatihan SVR 1. Kernel Linear 2. Kernel Polynomial 3. Kernel RBF Selang Terpenuhi ? Pengujian Ya Hasil Parameter Baru Tidak
Analisis dan Evaluasi Dokumentasi dan Pelaporan
Preprocessing Luaran GCM menggunakan PCA
Data Latih GCM+SST, Observasi End Grid Search GCM (Precipitation) Akuisi Data :
1. Data Luaran GCM (Domain 5 x 5) 2. Data SST Nino 3.4
3. Data Observasi
Standardize luaran GCM dan anomali SST Nino 3.4
3.1.1 Studi Literatur
Pada penelitian ini tahapan pertama yang dilakukan yaitu studi literatur. Tahapan ini mempelajari dan memahami suatu permasalahan yang akan diatasi atau diselesaikan dengan menentukan tujuan, ruang lingkup dan manfaat penelitian tersebut. Oleh karena itu, tahapan studi literatur ini akan menambah referensi pengetahuan dan pemahaman terhadap beberapa penelitian yang telah dilakukan sebelumnya yang terkait dengan penelitian, sehingga dapat diambil simpulan mengenai keluaran penelitian ini berbeda dengan penelitian sebelumnya.
3.1.2 Akuisi Data
Tahapan ini dilakukan pengumpulan data-data antara lain : data luaran GCM variabel precipitation (curah hujan), data anomali SST Nino 3.4 (peubah penjelas) dan data observasi 13 stasiun pengamatan curah hujan wilayah Indramayu (peubah respons) yang terdiri dari 22 periode (tahun 1979 – 2000).
3.1.2.1 Data Luaran GCM (Peubah Penjelas)
Data Luaran GCM yang digunakan dalam penelitian ini terdiri dari 6 luaran terdiri dari tahun 1901 – 2000. Berikut beberapa model GCM yang digunakan beserta negara asal pembuatnya, seperti disajikan pada tabel 2.
Tabel 2. Model GCM dan negara pembuatnya (Sutikno, 2008)
Nama Model GCM Negara Pembuat
20c3m-cgcm3.1-t47 Canada 20c3m-cgcm3.1-t63 Canada 20c3m-giss-model-er Amerika 20c3m-gissaom Amerika 20c3m-miub-echo-g Jerman 20c3m-mri-cgcm23-2a Jepang
Pada penelitian ini proses pemilihan datanya berdasarkan koordinat titik observasi stasiun hujan sehingga dihasilkan data luaran GCM dengan grid berupa domain matriks 5x5. Proses cropping yang dilakukan mengikuti observasi
sebanyak 12x22 tahun. Luasan grid yang diperoleh dari proses cropping secara keseluruhan luaran GCM yaitu sebanyak 264 data dari bulan Januari 1979 sampai dengan Desember 2000, sehingga jumlah keseluruhan untuk data masukan Luaran GCM menjadi 264 (22x12) data dengan atribut sebanyak 25 variabel (5x5) buah.
3.1.2.2 Data Anomali SST Nino 3.4 (Peubah Penjelas)
Data anomali SST yang digunakan dalam penelitian ini adalah data anomali SST Nino 3.4 SST Nino 3.4 bulanan dari tahun 1978 – 2000 (Sumbe
3.1.2.3 Data Observasi Curah Hujan (Peubah Respon)
Data observasi curah hujan yang digunakan dalam penelitian ini adalah dari titik-titik stasiun observasi di Kabupaten Indramayu dari Desember Tahun 1978 – Desember Tahun 2000 diantaranya sebagai berikut : stasiun Bangkir, Bondan, Cidempet, Cikedung, Jatibarang, Jatinyuat, Kedokan bunder, Krangkeng, Lohbener, Sudikampiran, Sudimampir, Sukadana, dan Sumurwatu. Contoh data observasi curah hujan disajikan pada tabel 3.
Tabel 3. Contoh data observasi curah hujan Nama
Stasiun Cidampet Cikedung Jatibarang Sudikampiran
Kedokan Bunder Jan-89 125 167 205 112 109 Feb-89 491 430 556 389 345 Mar-89 337 304 357 278 273 Apr-89 92 348 40 156 40 Mei-89 159 215 128 153 105 Jun-89 117 173 139 152 232
3.1.3 Normalisasi (Standardize) Data
Pada tahapan ini semua data parameter input seperti luaran GCM dan anomali SST Nino 3.4 dilakukan proses transformasi variabel dengan normalisasi (standardize) data set dengan range nilai (-1) sampai dengan (1). Proses standardize dilakukan akibat adanya perbedaan mengenai satuan yang masing-masing parameter inputan seperti data luaran GCM (mm) dan anomali SST Nino 3.4 (0C). Dengan melakukan standardize data set tersebut akan menghasilkan data set baru luaran GCM dan anomali SST Nino 3.4 yang berlaku secara
universal untuk segala macam properti. Berikut ini bentuk umum perhitungan proses standardize data.
Dengan :
V’ = Nilai variabel hasil standardize V = Nilai variabel inputan
Max = Nilai variabel maksimum Min = Nilai variabel minimum
new_ max = Nilai range pembobotan maksimum new_ min = Nilai range pembobotan minimum
3.1.4 Preprocessing Luaran GCM
Preprocesing yang dilakukan pada penelitian ini adalah melakukan reduksi terhadap data luaran GCM menggunakan Principal Component Analysis (PCA). PCA merupakan teknik untuk merepresentasikan sebuah objek, dengan cara mengekstraksi ciri-ciri sebuah objek dan mereduksi dimensi dari objek tersebut dengan cara mentransformasikan sejumlah variabel korelasi ke jumlah yang lebih sedikit yang dikenal dengan feature extraction. PCA digunakan untuk memproyeksikan suatu data yang berukuran atribut besar menjadi bentuk representasi data yang lebih kecil. (Dillon & Goldstein, 1984).
Pada penelitian ini atribut matriks inputan luaran GCM masih terlalu besar yakni 25 Grid, jika matriks luaran GCM tersebut langsung digunakan sebagai parameter input maka output yang dihasilkan akan mengandung autokorelasi, maka dilakukan reduksi dimensi spasial dari matriks luaran GCM dengan menggunakan PCA sehingga didapatkan atribut data matriks PCA sebesar 5 grid.
3.1.5 Perpaduan Luaran GCM dan Anomali SST Nino 3.4
Tahapan perpaduan parameter inputan pada penelitian ini menghasilkan parameter input untuk model downscaling sebanyak 6 variabel (5 atribut hasil PCA luaran GCM dan 1 atribut data anomali SST Nino 3.4). Data inputan yang digunakan dalam pemodelan data ini keseluruhan berjumlah 264 (22x12) data
dengan atribut sebanyak 6 variabel. Pada penelitian ini pemodelan data dilakukan dengan menggabungkan parameter input luaran GCM dengan anomali SST Nino 3.4 menggunakan 3 (tiga) bulan sebelumnya dalam melakukan prediksi sebagai parameter masukan. Parameter masukan setiap musim tersebut masing-masing berjumlah 66 baris. Ilustrasi pemodelan data Luaran GCM dan anomali SST Nino 3.4 disajikan pada gambar 5.
Gambar 5 Ilustrasi pemodelan data Luaran GCM dan anomali SST Nino 3.4.
3.1.6 Pembagian Data menggunakan K-Fold Cross Validation
Tahapan selanjutnya yaitu membangun model SVR, dimana luaran GCM dan anomali SST Nino 3.4 akan berperan sebagai masukan serta data observasi berperan sebagai peubah respons. Pada penyusunan model SVR terlebih dahulu melakukan tahapan pembagian data. Pembagian data tersebut dilakukan dengan menggunakan teknik -fold cross validation. K-fold cross validation merupakan salah satu variasi dari teknik cross validation. K-fold cross validation dilakukan untuk membagi training set dan test set. Inti validasi tipe ini adalah membagi data secara acak ke dalam k himpunan bagian (Tang et al, 2008). Berdasarkan teknik k-fold cross validation untukseluruh data baik luaran GCM, anomali SST Nino 3.4 maupun observasi dibagi menjadi k subset, yaitu S1, S2,…, Sk. Pada penelitian ini ditentukan nilai k sebesar 6. Proses pembagian data dilakukan secara acakdengan mempertahankan perbandingan jumlahbaris data setiap kelas. Pada tahap pertama S1 sebagai data uji maka S2, S3,...,S6 dijadikan sebagai data pelatihan, dan selajutnya tahapan tersebut dilakukan pengulangan sebanyak 6 kali.
3.1.7 Pelatihan dan Pengujian Menggunakan Model SVR
Pada tahapan pelatihan ini menggunakan data latih dengan metode SVR terhadap masing-masing fungsi kernel (Linear, Polynomial, dan Radial Basis Function (RBF). Pengujian model SVR dilakukan terhadap fungsi kernel yang digunakan berdasarkan terpenuhinya selang (range). Sebelumnya, fungsi kernel menentukan nilai parameter-parameter yang digunakan dalam tahapan pengujian, seperti parameter C untuk fungsi Linear Kernel, nilai parameter C, γ, r, dan d untuk fungsi PolynomialKernel, dan parameter C dan γ untuk fungsi kernel RBF. Apabila semakin optimal parameternya maka semakin baik model yang dihasilkan oleh model SVR. Proses pengujian ini menggunakan model SVR untuk mengestimasi nilai observasi. Untuk metode pengoptimuman parameter fungsi kernel yang dipakai dalam pada percobaan ini yaitu metode grid search yang menyerupai metode trial dan error secara manual, akan tetapi rentang nilai parameter dikumpulkan dalam grid n-dimensi, dengan n menunjukkan jumlah parameter.
3.1.8 Evaluasi dan Validasi Model
Tahapan ini digunakan untuk melihat kehandalan atau performance yang dihasilkan dari nilai prediksi dengan melakukan pengukuran ukuran error dan tingkat korelasi. Dalam menentukan kriteria kebaikan model untuk validasi dapat menggunakan nilai Root Mean Square Error (RMSE). RMSE adalah nilai varians dari residual yang dapat menunjukan keakuratan suatu model. RMSE mempunyai nilai minimal 0, semakin kecil nilai RMSE menunjukan bahwa perbedaan antara nilai dugaan hasil pemodelan dengan data aktualnya semakin kecil pula, sehingga model terbaik dengan nilai RMSE terkecil. Nilai RMSE diperoleh dengan rumus (sumber : sutikno, 2008):
Dimana : Yoi
Y
= Observasi pada periode ke-i (i=1,2, ... , n)
pi
n = Panjang periode prakiraan
= Hasil prakiraan pada periode ke-i (i=1,2, ... , n)
Kriterian kebaikan model lainnya yang digunakan yaitu Mean Absolute Error Prediction (MAEP). MAEP adalah rata-rata nilai absolute dari kesalahan meramal (tidak dihiraukan tanda positif atau negatifnya). Nilai MAEP diperoleh dengan rumus :
...( 7 ) Dimana :
Yoi
Y
= Observasi pada periode ke-i (i=1,2, ... , n)
pi
n = Panjang periode prakiraan
= Hasil prakiraan pada periode ke-i (i=1,2, ... , n)
Sedangkan kriteria kebaikan model lainnya yang juga dapat digunakan adalah nilai R2 prediction atau disebut koefisien determinasi. Koefisien determinasi menunjukan proporsi keragaman total nilai-nilai variabel respon yang dapat diterangkan oleh variable prediktor dalam model yang digunakan. Berikut adalah rumus mencari nilai R2prediction
...( 8 ) :
Dimana : R2
Y
= Koefisien Determinasi (Korelasi)
i
Y
= Observasi pada periode ke-i (i=1,2, ... , n)
i
Y
= Rata – rata Observasi pada periode ke-i (i=1,2, ... , n)
i
Tahapan terakhir dari penelitian ini yaitu melakukan dokumentasi dan pelaporan akhir hasil penelitian.
= Hasil prakiraan pada periode ke-i (i=1,2, ... , n) ^