2.7885 0.1086 94.2 3.7 97.9% 5 GFDL-CM2p1 3.0050 0.1156 95 3.7 98.7%
Berdasarkan hasil PCA model CMC1-CanCM3 terlihat bahwa hanya komponen PC1 yang memiliki varians (atau eigenvalue) lebih besar dari 1, yaitu 4.3216 . Komponen pertama ini (PC1) ini dapat menjelaskan 95.7 persen keragaman data. Komponen kedua (PC2) memiliki eigenvalue 0.1470 dan dapat menjelaskan 3.3 persen keragaman. Bersama dengan komponen pertama (PC1), keduanya merepresentasikan 99 persen dari keragaman total. Kedua komponen PC1 dan PC2 yang merepresentasikan 99 persen keragaman total bisa dinilai telah cukup menangkap struktur data. Komponen-komponen lainnya memiliki proporsi keragaman yang kecil bisa dianggap tidak penting. Komponen pertama dan kedua dari model GCM CMC2-CanCM4 sudah cukup mewakili 98.5% dari total keragaman 25 variabel. Demikian pula untuk model NCEP-CFSv1, NASA-GMAO-062012 dan GFDL-CM2p1, yang juga mengambil komponen pertama dan kedua yang mampu menjelaskan sebanyak 98.4%, 97.9% dan 98.7% dari keragaman total.
Karakteristik pola curah hujan musim kemarau pada Kabupaten Indramayu
Karakteristik data curah hujan pada Kabupaten Indramayu dapat dilihat pada gambar 6 dan gambar 7. Data curah hujan bulanan yang diplotkan adalah rata-rata curah hujan bulanan dari 15 stasiun hujan selama periode 28 tahun (1981-2008). Berdasarkan karakteristik data hujan bulanan diatas, terlihat bahwa curah hujan bulan Mei yaitu sebesar 92 terletak pada kuantil (persentil) 45, curah hujan bulan Juni yaitu sebesar 66 terletak pada kuantil 28. Sedangkan curah hujan bulan Juli yaitu sebesar 36 terletak pada kuantil 18 dan curah hujan bulan Agustus yaitu sebesar 18 terletak pada kuantil 3.
Analisis Boxplot dapat digunakan untuk mengetahui data ekstrim (outlier) dari suatu sebaran data. Gambar 6 menunjukkan bahwa terdapat curah hujan ekstrim atas pada bulan Juli, November dan Desember. Selain dapat digunakan untuk mendeteksi data ekstrim, Boxplot juga dapat secara visual menunjukkan pusat data, distribusi dan lima ringkasan data ( rata-rata, median, Q1, Q3 dan outlier). Rata-rata curah hujan musim kemarau yaitu bulan Mei, Juni, Juli dan Agustus mengalami puncak terendah pada bulan Agustus yaitu 18.
14
Gambar 6 Histogram karakteristik data curah hujan pada Kabupaten Indramayu
Gambar 7 Boxplot karakteristik data curah hujan pada Kabupaten Indramayu
Jan Feb Mar Apr Mei Jun Jul Agust Sept Okt Nov Des
321 198 162 150 92 66 36 18 20 68 160 215 Waktu (bulan) C ur ah hu jan (m m /har i) Waktu (bulan) C ur ah hu jan (m m /har i)
Pemodelan Statistical Downscaling luaran GCM menggunakan SVMQR Pemodelan SVMQR pada kuantil ke-45
Prediksi curah hujan bulan Mei dilakukan dengan metode SVMQR pada kuantil ke 45. Pola data observasi dan hasil estimasi keseluruhan model SVMQR pada kuantil ke-45 tertera pada gambar 8.
Gambar 8 Plot data observasi dan hasil estimasi keseluruhan model SVMQR pada kuantil ke-45
Diantara kelima model GCM, hanya dua model GCM yaitu CMC1-CanCM3 dan CMC2-CanCM4 yang dapat mengikuti pola data observasi. Model GCM yang dapat direkomendasikan untuk memodelkan curah hujan bulan Mei adalah model GCM CMC1-CanCM3 dengan nilai korelasi paling besar yaitu 95% dan error prediksi (RMSEP) terkecil yaitu 8.9. Secara umum nilai error prediksi (RMSEP) bulan Mei dan bulan Juni yang dihasilkan kelima model GCM lebih besar dibandingkan nilai RMSEP pada bulan Juli dan Agustus. Hal ini dikarenakan pada bulan Mei dan Juni masih dalam masa pancaroba sehingga nilai curah hujan masih sulit diprediksi (Loetan 2011).
Pemodelan SVMQR pada kuantil ke-28
Prediksi curah hujan bulan Juni dilakukan dengan metode SVMQR pada kuantil ke 28. Pola data observasi dan hasil estimasi keseluruhan model SVMQR pada kuantil ke-18 tertera pada gambar 9.
Waktu (bulan) C ur ah hu jan (m m /har i)
16
Gambar 9 Plot data observasi dan hasil estimasi keseluruhan model SVMQR pada kuantil ke-28
Pola nilai prediksi dari model GCM CMC1-CanCM3, CMC2-CanCM4 dan NCEP-TFSv1 cukup bisa mengikuti pola data observasi. Namun seperti hasil pemodelan pada kuantil ke-18, model GCM NASA-GMAO-062012 dan GFDL-CM2p5-FLOR-A06 kurang bisa mengikuti pola data observasi. Nilai prediksi yang dihasilkan berada jauh diatas data observasi pada bulan-bulan musim penghujan, sedangkan pada bulan-bulan pada musim kemarau nilai prediksi berada jauh dibawah observasi bila dibandingkan ketiga model GCM CMC1-CanCM3, CMC2-CanCM4 dan NCEP-TFSv1. Sehingga dapat dikatakan bahwa model GCM NASA-GMAO-062012 dan GFDL-CM2p5-FLOR-A06 kurang cocok untuk memodelkan curah hujan di Kabupaten Indramayu. Model GCM yang dapat direkomendasikan untuk memodelkan curah hujan bulan juni adalah model GCM CMC1-CanCM3 dengan nilai korelasi paling besar yaitu 82% dan error prediksi (RMSEP) terkecil yaitu 22.
Pemodelan SVMQR pada kuantil ke-18
Prediksi curah hujan bulan Juli dilakukan dengan metode SVMQR pada kuantil ke 18. Hasil prediksi yang didapatkan oleh kelima model secara umum mengikuti pola data observasi yang ada. Model yang paling direkomendasikan untuk memprediksi curah hujan bulan Juli adalah model GCM CMC1-CanCM3 dengan nilai RMSE paling kecil yaitu 0.05. Pola data observasi dan hasil estimasi keseluruhan model SVMQR pada kuantil ke-18 tertera pada gambar 10.
Dilihat dari hasil plot data observasi dan nilai hasil prediksi kelima model GCM pada kuantil ke-18, pola hasil prediksi model CMC1-CanCM3, CMC2-CanCM4 dan NCEP-TFSv1 mengikuti pola data observasi. Namun, kedua model GCM lainnya yaitu NASA-GMAO-062012 dan GFDL-CM2p5-FLOR-A06 kurang bisa mengikuti pola data observasi karena nilai prediksi yang dihasilkan jauh diatas data observasi. Oleh karena itu dapat disimpulkan bahwa kedua model GCM NASA-GMAO-062012 dan GFDL-CM2p5-FLOR-A06 kurang bisa memodelkan curah hujan bulan Juli. Model GCM yang dapat direkomendasikan untuk memodelkan
Waktu (bulan) C ur ah hu jan (m m /har i)
curah hujan bulan juli adalah model GCM CMC1-CanCM3 dengan nilai korelasi paling besar yaitu 99% dan error prediksi (RMSEP) terkecil yaitu 0.05.
Gambar 10 Plot data observasi dan hasil prediksi keseluruhan model SVMQR pada kuantil ke-18
Pemodelan SVMQR pada kuantil ke-3
Berdasarkan pola dan karakteristik data curah hujan, pendugaan curah hujan pada bulan Agustus menggunakan SVMQR pada kuantil ke-3. Gambar 11 merupakan plot data observasi dan hasil estimasi model SVMQR pada kuantil ke-3 untuk masing-masing model GCM yang diujicobakan. Secara umum, hasil prediksi pada masing-masing model mengikuti pola data observasi. Kelima model GCM menghasilkan nilai prediksi yang cukup akurat terutama untuk bulan Agustus, September dan Oktober. Model GCM yang menghasilkan nilai korelasi paling besar yaitu 99% adalah model CMC1-CanCM3, oleh karena itu diantara keempat model GCM lainnya model CMC1-CanCM3 adalah model yang paling direkomendasikan untuk digunakan dalam memprediksi curah huajn bulan Agustus. Nilai RMSE untuk model CMC1-CanCM3 tersebut juga sangat kecil yaitu 0.01 sehingga menghasilkan hasil prediksi yang sangat mendekati data observasi. Ringkasan nilai RMSE dan Korelasi (R) pada masing-masing kuantil tertera pada Tabel 2.
Waktu (bulan) Waktu (bulan) C ur ah hu jan (m m /har i) C ur ah hu jan (m m /har i)
Gambar 11 Plot data observasi dan hasil prediksi keseluruhan model SVMQR pada kuantil ke-3
18
Tabel 2 Ringkasan nilai RMSE dan Korelasi (R) pada masing-masing kuantil
Model GCM Q3 Q18 Q28 Q45
RMSE R RMSE R RMSE R RMSE R
CMC1-CanCM3 0.01 0.99 0.05 0.99 22 0.82 8.9 0.95 CMC2-CanCM4 14.36 0.09 36 -0.3 48.4 0.55 74 -0.08 NCEP-CFSv1 2.5 89 3.9 0.98 31.4 0.66 23 -0.63 NASA-GMAO-062012 53 -0.26 215 0.1 149 0.43 168.2 0.53 GFDL CM2P1 3238 -0.2 235 0.68 260 -0.08 100.2 -0.38 Validasi Model
Validasi untuk keakuratan model GCM pada tiap-tiap kuantil dapat digambarkan dengan diagram taylor. Diagram taylor dapat memvisualisasikan seberapa dekat pola dari data model yang dihasilkan dengan pola data observasi. Similaritas antara kedua pola diukur dengan nilai korelasinya (Taylor 2011). Gambar 12, 13, 14 dan 15 menunjukkan performa kelima model GCM dalam memprediksi pola curah hujan pada bulan Mei, Juni, Juli dan Agustus. . Performa kelima model GCM dievaluasi berdasarkan nilai korelasi (R) dan Root Mean Square Error Prediction (RMSEP) .
Performa model yang baik ditandai dengan korelasi yang tinggi antara nilai hasil prediksi dengan data observasi serta nilai RMSE yang kecil (Sutikno et al. 2010; Haryoko et al. 2013). Model yang memiliki kinerja terbaik adalah model dengan nilai RMSEP paling kecil dan nilai koefisien korelasi R yang paling besar. Secara garis besar hasil prediksi curah hujan bulan Mei Juni Juli Agustus dengan metode SVMQR menghasilkan nilai prediksi yang cukup akurat dengan nilai korelasi yang hampir mendekati satu dan nilai RMSE yang dihasilkan kecil. Nilai R menunjukkan banyaknya nilai observasi yang dapat dijelaskan oleh hubungan linearnya dengan nilai prediksi.
Gambar 12 Diagram Taylor hasil pemodelan SVMQR pada bulan Mei Hasil pemodelan SVMQR bulan Mei menunjukkan bahwa model GCM CMC1-CAnCM3 memiliki akurasi paling tinggi dengan nilai korelasi 95%, artinya sebesar 95% nilai prediksi dapat dijalaskan oleh hubungan linearnya dengan nilai observasi. Nilai error prediksi (RMSEP) yang dihasilkan puncukup kecil yaitu 8.9.
Gambar 13 Diagram Taylor hasil pemodelan SVMQR pada bulan Juli CMC1-CanCM3 NASA-GMAO-06201 CMC2-CanCMC4 GFDL-CM2p NCEP-CFSv1 CMC1-CanCM3 NASA-GMAO-06201 CMC2-CanCMC4 GFDL-CM2p NCEP-CFSv1
20 CMC1-CanCM3 NASA-GMAO-06201 CMC2-CanCMC4 GFDL-CM2p NCEP-CFSv1 CMC1-CanCM3 NASA-GMAO-06201 CMC2-CanCMC4 GFDL-CM2p NCEP-CFSv1
Gambar 14 Diagram Taylor model GCM pada bulan Juni
Model GCM CMC1-CanCM3 juga menunjukkan akurasi paling tinggi diantara keempat model GCM lainnya untuk prediksi bulan Juni, Juli dan Agustus. Nilai korelasi yang dihasilkan oleh model GCM CMC1-CanCM3 untuk bulan Juni adalah 82%, sedangkan untuk bulan Juli dan Agustus nilai korelasi yang didapatkan adalah 99%. Nilai error prediksi (RMSEP) yang dihasilkan oleh model GCM CMC1-CanCM3 pada bulan Juni, Juli dan Agustus juga cukup kecil yaitu 22, 0.05 dan 0.01.
5 KESIMPULAN DAN SARAN