HASIL DAN PEMBAHASAN
Pernodelan Hubungan Indikator ENS0 dan Curah Hujan
Langkah awal untuk melihat hubungan indikator ENS0 dan curah hujan yaitu dengim memeriksa pola data antara peubah respon dan prediktor. Dari plot tersebut diperoleh gambaran adanya suatu hubungan, penyimpangan kelinieran atau adanya pengimatan pencilan. Plot antara curah hujan rata-rata bulanan dM indikator ENS0 untuk masing
-
masing daerah tipe hujan monsoon (Tuban, Sandakan, dan Ampenan), equatorial (Pekanbaru, Medan, dan Pontianak) dan lokhl (Arnbon) dapat dilihat pada Gambar 4.Gambar 4 memberi gambaran bahwa masing-masing dberah tipe hujan mempunyai pola hubungan yang berbeda. Pada daerah tipe hujan $onsoon (Gambar 4a) nlenunjukkan bahwa tekanan Darwin, dan tekanan Tahiti mempunyai pola yang lebih jelas terhadap curah hujan daripada peubah prediktor lainnyg. Di samping itu ada indikasi multikolinieritas yang serius antara Nino 1.2 dan Nioo 3, Nino 3 dan Nino 3.4, Nino 4 dan Nino 3.4. Untuk daerah tipe hujan equatorial (Gambar 4b) hampir semua prediktor tidak menampakkan pola hubungan yhng jelas (acak) dengim peubah respon. Seperti halnya tipe monsoon, terdapat indikasi multikolinieritas pada peubah prediktor suhu perrnukaan laut. Demikian juga pada daerah tipe hujan lokal (Gambar 4c) menunjukkan pola hubungan y@g acak antara peubah respon dan peubah prediktor. Matrik plot antara peubah respon dan prediktor selengkapnya disajikan pada Lampiran 1.
Matrik plot.curah hujan Tuban Matrik plot curl
*$9+ *eQ+* *9p6 *$++ *g 0 6&*d ST .b3 #,,@ .@,G *?$$ .#?
Matrik plot curah hujan Ambon %*%@ @d @@lt
*4@
$@$P.B" d ,o @+,?.PGambar 4. Matrik plot antara curah hujan rata-rata bulan meliputi Stasiun Tuban (a), Pontianak (b), da
23 hujan Pontianak
544
e9-P d 9 4 6 stzs mu 1.115 -zed U 7 110 a m 2 I z z m m n amz ZYL am zs4 W a7 enk n indikator ENS0 h b o n (c).Secara umum, wilayah dengan tipe hujan monsoon dipeng i oleh pola dan kejadlian ENSO. Sedangkan untuk wilayah dengan tipe hujan eq atorial dan lokal masili belum nampak jelas pengaruhnya. Hal ini disebabkan arena pengaruh sirkulasi meridional sangat kuat di daerah sekitar equator, meskip terjadi El-Nino dampaknya tidak terasa. Demikian juga daerah tipe hujan loka, pengaruh lokal (kontlisi geografi) cukup dominan bila dibandingkan pengaruh lobal. Hasil ini
I
menclukung penelitian yang dilakukan oleh Tjasyono (1 997) dalam oer (2000a).Berdasarkan uji t secara parsial, hasil pendugaan deng metode kuadrat terkel~il untuk daerah tipe hujan monsoon ternyata peubah tekan
4
Darwin (Stasiun Tuban), tekanan Darwin, tekanan Tahiti dan SO1 (Stasiun Sandakan,
tekanan Darwinj
dan IOJD (Stasiun Ampenan) nyata pada
a
= 5 %. Untuk tipe hujanprediktor tekanan Darwin (Stasiun Pontianak), tekanan Darwin, (Stasiun Pekanbaru), Nino 1.2 (Stasiun Medan) tlyata pada
a
=equatorial peubah dan Nino 1.2
5 %. Sedangkan untuk. daerah tipe hujan lokal peubah tekanan Darwin, tekanan Ta iti, Nino 3, Nino 1.2,
loJD
dan SO1 nyata padaa
= 5 %. Tabel sidik ragam se engkapnya dapat dilihat pada Lampiran 2.Hasil pemeriksaan sisaan terhadap model curah hujan tip hujan monsoon (Garrtbar 5a, b, dan c) menunjukkan adanya ragam yang tidak omogen. Hal ini terlihat plot antara sisaan dan dugaan respon yang membentu pola corong. Demikian juga dengan model tipe hujan lokal (Gambar 4d) me unjukkan adanya ragani yang tidak homogen. Berbeda dengan model tipe hujan eq
a
atorial (GambarPemeriksaan Residual Model CH Arnpenan Pemeriksaan Residual ~ o d e l CH Sandakan
-- . i
5 . 2 - 1 0 1 2 3
Normal Score ObrerntionNurnbsr Normal Score 1
OblewUien Numbar
Realdual Flt Fit
lb)
Pemer~ksaan Residual Model CH Tuban 15 1
I 100
I
Pemeriksaan ~esiddal Model CH Ambon
; ] : . , 8 : : 1 .I00 4 w .3 .2 .1 0 1 2 3 Normal S c o n
Normal Score Obrervatlon Number O b s @ ~ l a n Number
2 I
R*'ldu*
(1)
Fit
Residual Fit
Pemeriksaan Residual Model C H Pontianak YO uo YY) YO 3 ;;: 0 J .,I: Q 210 YO s, 4 2 1 0 1 2 3 dM 0 1 W 2 W ~ ~ ~
Normal Soore Obsewabon Number
Perneriksaan ~ e s i d u a l ~ o d e l CH Pekan Baru
- ~~~ ~~
Normal Score Obserntion Number
Jb0.2b0-lw 0 1m Xa Residual
1m &l &.a Fit
Residual Flt
Pemeriksaan Residual Model CH Medan
l o @ >
I 1000
I I
Gambar 5. ~emerigsaan asurnsi sisaan :
tipe huj n monsoon (a,b,c)
tipe huj
L
lokal (d), dan5e, f. dan g) menunjukkan adanya ragam yang homogen. Hal ini ditunjukkan adanya pola acak disekitar garis no1 plot antara sisaan dan dugaan respop. Adanya ragam yang tidak homogen, khususnya pada curah hujan tipe moonson, Zifwen (1999) menggunakan metode kuadrat terkecil terboboti. Namun hasil predbksinyapun masih belurn memuaskan.
Adanya keterbatasan informasi bentuk fungsi dan hasil eksplorasi data yang menzmpakkan pola hubungan yang tidak jelas kelinierannya antara peubah respon dan peubah prediktor, serta terdapat kasus heteroskedastisitas, multikolinieritas dan kemungkinanan autokorelasi, maka dengan pertimbangan ini dllakukan metode regresi splines adaptif berganda - pendekatan non parametrik - untuk pendugaan
modc:l regresi. Namun demikian untuk langkah awal dilakukan oendugaan model deng;m metode kuadrat terkecil
-
pendekatan parametrik - sebagai laonfirmasi.Pendugaan Model Regresi dengan RSAB
Pendugaan model regresi dengan menggunakan metode regrqsi splines adaptif bergainda dari 7 (tujuh) stasiun dapat dilihat pada Lampiran 3. Sebagai ilustrasi dipilih Stasiun Tuban untuk dibahas secara detail.
Model curah hujan Stasiun Tuban dibentuk dengan kriteria input : Minspan (minimal banyaknya pengamatan setiap knot) = 10, maksimum intefaksi (MI) = 3,
dan nlaksimum basis fungsi sebesar 40. Komponen sidik ragamnya disajikan pada Tabei 1.
Tabel 1. Komponen sidik ragam model curah hujan Tuban B;ds Fungsi Parameter Konstanta max(0, DARWIN
-
10.500) max(0, 10.500-
DARWIN ) inax(0, NIN03-
24.490)*
BF2 max(0,24.490-
NIN03 )*
BF2 max(0, SO1-
6.900)*
BF2 max(0,6.900-
SO1 )*
BF2 max(0, TAHITI-
13.300)*
BF2 max(0, 13.300-
TAHITI )*
BF2 max(0, IOJD+
3.600)*
BF7 max(0, NINOI2-
26.8 10) max(0,26.8 10-
NINO 12 ) max(0, IOJD+
2.500)*
BFl 1 max(0, -2.500-
IOm)*
BF11 max(0, NIN034-
24.580)*
BF7 max(0, TAHITI-
13.200)*
BF5 max(0,26.030-
NIN034 )*
BF12 max(0, 8.900-
DARWIN )*
BFl 1 max(0,-
8.300-
SO1 )*
BF20 max(0, SO1-
3.100)*
BF8 max(0, NINO12-
22.690)*
BF3 max(0,22.690-
NIN012 )*
BF3 Koefisien 2,9 max(0, NINO12-
23.250)*
BF3 115.125 32.13 3.583 0.000F-statistic = 36.286 S.E. of Regression = 84.458
P-kalue = 0.000 Residual Sum of Squares = 2161344.2p9
[MDF,NDF] = [ 20,303 ] Regression Sum of Squares = 5 176698.1833
R-5,auared = 0.705 Adi R-sauared = 0.686
Model regresi yang diperoleh ialah :
Y = 6 2 . 8 0 6 - 1 3 . 9 9 3
*
BF1+
5 0 . 7 7 2*
BF2+
5 4 . 1 2 7*
BF3 - 4 2 . 9 7 0*
BF4-
5 . 2 6 3*
BF5+
3 . 7 9 5*
BF6+
3 1 4 . 3 5 6*
BF7-
1 3 . 0 2 8*
BF8 - 3 9 4 . 2 7 6*
BF9+
6 3 . 4 7 0*
BFlO - 3 2 . 3 6 8*
BF13+
3 6 1 . 0 1 7*
BF14+
1 7 . 5 6 3*
BF15+
1 7 . 6 3 1*
BF18+
1 9 . 2 8 0*
BF20 - 5 . 0 9 3*
BF22+
3 . 1 1 8*
BF23-
1 1 3 . 4 8 4*
BF27 - 1 5 9 . 0 5 3*
BF28+
1 1 5 . 1 2 5*
BF29Model regresi tersebut di atas terdiri atas satu intersep d 20 basis fungsi, meli1)uti : 3 interaksi level pertarna, 8 interakasi level dua, dan 9 level tiga. Jumlah nilai knot atau theshold sebanyak 16 di antaranya : 1
Nino 3, 2 nilai untuk peubah tekanan Darwin, tekanan Tahiti, N no 3.4, dan IOJD, 3 nilai untuk peubah Nino 1.2 dan 4 nilai untuk peubah SOI. ilai ragam sisaan
(mean square error : MSE) sebesar 7133, R2 sebesar 70,5 % dan R2terkoreksi
sebesiar 68.6 %. Peubah SO1 mempunyai nilai knot terbanyak k ena mempunyai keragaman terbesar di antara peubah prediktor lainya. Dua peub prediktor lainya yang mempunyai nilai keragaman tertinggi berturut-turut adalah te anan Darwin dan Nino 1.2, masing - masing 6.73, dan 5.05. Deskripsi peubah predi tor untuk stasiun Tuban selengkapnya disajikan pada Tabel 2.
rn
Interpretasi model RSAB terletak pada komponen sidik ragam. Tabel 1 menunjukkan komponen basis fungsi yang membentuk model re resi curah hujan Tuban baik interaksi level pertama maupun interaksi antar peubah. ode1 tersebut di
I
atas memberikan gambaran bahwa kontribusi peubah tekand Darwin (BF1) terha~jap model sebesar -13.993 bila nilai peubah tersebut > 10.nilai tekanan Darwin < 10.5. Sedang untuk interaksi tingkat 2 tekanan Darwin (BF 3) memberikan arti bahwa basis fungsi kontribusi sebesar 54.169 bila nilai Nino 3 > 24.49, nilai -42.967 bila nilai Nino 3 < 24.49 dan nilai tekanan dengim interaksi tingkat 3 seperti BF 28, basis
kontribusi sebesar -1 59.053 bila nilai Nino 1.2 < 22.69, Nino 3 > 2 .49, dan tekanan
Darwin < 10.5.
‘I
Tabel 2. Nilai rataan, simpangan baku, minimal, dan maksimal p prediktor curah hujan Stasiun Tuban
lBeubah Rataan Simpangan Minimal Maksimal
baku Tek. Darwin
I-
9.842 2.594 4.000 15.500I
Tek. Tahiti 12.565 1.690 7.4001
16.6001
Peubah Prediktor yang Relatif Penting
Peubah prediktor yang relatif penting untuk Stasiun Tuba1 Darwin. Hal ini ditunjukkan pada nilai GCV terkecil (terbesa- diantaa peubah lainnya. Pendeteksian awal peubah prediktor yaig ditentukan dari besarnya nilai simpangan bakunya (Tabel 2 koloni
. Palmieri 1998). Seperti halnya pada prosedur regresi bertatar,
dikeluarkan satu per satu dari model kemudian dihitung kebaikan
fit). l'eubah yang relatif penting jika mempunyai pengaruh yang
adalah tekanan untuk GCV-') relatif penting 3) (Finizio dan setiap peubah model (goodness of .:erbesar terhadap
keba:ikan model dan sebaliknya untuk peubah yang tidak
.
Urutan peubah yang relatif penting untuk Stasiun Tuban selengkapnyaTabel 3. Peringkat peubah prediktor yang relatif penting untuk mo el regresi
di Stasiun Tuban
d
Peringkat Peubah GCV-'
1 Tekanan Darwin 22974.787 2 IOJD 1 103 1.345 3 Tekanan Tahiti 10940.074 4 Nino 1.2 10628.406 5 Nino 3.4 10253.615 6 SO1 10135.920 7 Nino 3 9808.483 8 Nino 4 9615.1 11Secara m u m , peubah prediktor ENS0 yang relatif pentin$ terhadap model curah hujan adalah tekanan Darwin (Tabel 4). Tercatat 6 stasiun (tuban, Ampenan, Sand.akan, Pontianak, Pekanbaru, dan Ambon) peubah ini memberikan pengaruh yang signifikan terhadap model curah hujan. Hal ini ditunjukkan la korelasi yang tinggi antara curah hujan dan tekanan Darwin (Tabel 5) bila dingkan dengan indikator ENS0 lainnya. Di samping itu hasil tersebut dapat terdeteksi dari matrik plot (Gambar 4), yang menunjukkan pola hubungan antara peubah r#spon dan peubah predi ktor tekanan Darwin lebih narnpak daripada peubah prediktor ldinnya.
Bila ditinjau dari nilai korelasinya, tekanan Darwin sebag/an besar bernilai negatif terutama di dareah tipe hujan monsoon. Hal ini berarti bahha curah hujan di
Indonesia akan menurun di bawah normal (terjadi EL-Nino) dengan semakin meningkatnya tekanan Darwin. Secara klimatologi, fenomena ini tdrjadi karena pada saat tekanan permukaan laut di Darwin meningkat dengan membawa uap air yang sedikit (karena melalui daratan benua) akan bergerak ke wilayah Inflonesia, sehingga mengakibatkan curah hujan berkurang.
Tabel 4. Tiga peubah prediktor yang relatif penting menurut stasiub
r
Stasiun Peringkat II
Pertama Kedua Ketiga
F a n
I -
Darwin IOJD ~ d i t i
I
Amlpenan Darwin Nino3.4 Nino3
San~iakan Darwin Ninl.2 - - - SO1 . -
I~ontianak Darwin IOrn Nido3
I
Tabe 1 5. Korelasi antara indikator ENS0 dan curah hujan menurut sitasiun Nino 1.2 Darwin ~ i i . 0 3
I
StasiunDarwin IOJD Nino
Darwin SO1 Tahiti
Indikator ENS0
12
IOJD SO1 Nino1.2 Nino3 Nino4 Nino3.4 ~ a h i t i Darwin
Tubiin
I-
-0.120 0.154 0.279 -0.085 -0.354 -0.307 -0.457 -0.710Tabel 5 menunjukkan bahwa selain peubah tekanan Da*n mempunyai korelasi yang kecil khususnya curah hujan moonson, sehingga pqngaruh indikator
ENS0 lainnya tidak begitu nampak. Bila dilakukan pernilahan gats antara tahun norn-ial dan tahun ekstrim (baik La-Nina maupun El-Nino) didapdtkan peningkatan nilai korelasi yang cukup mencolok, temtama pada tahun ekstrim kuat (Tabel 6). Peniligkatan korelasi terjadi pada peubah IOJD, SOI, Nino 3, Nino 4, Nino 3.4 dan tekar~an Darwin khususnya pada tipe hujan moonson. ~lasifikasi tahun-tahun terjadinya iklim ekstrim selengkapnya disajikan pada Lampiran 8.
Tabel 6. Korelasi antara indikator ENS0 dan curah hujan pada tahup-tahun ekstrim menurut stasiun
L
Ion, SO1 Ninol.2 N i n o 3 N i n o 4 Nino3.4 Tahiti DarwinI
Ekstrim (lemah, moderat, dan kuat)*)'I
I
Ekstrim kuat*)I
klasifikasi iklim menurut National Centers for Environmental PredictionIClimate I Prediction Center and at the United Kingdom Meteorological Office.
Perbiandingan Metode
Hasil pendugaan model regresi dengan menggunakan metofle regresi splines adaptif berganda lebih baik dari metode kuadrat terkecil. Hal ini rjampak pada nilai R2, dan R2-terkoreksi dari metode metode regresi splines adaptif beqganda lebih besar dari metode kuadrat terkecil. Di samping itu ragam sisaan dari metode kuadrat terkecil lebih besar dari metode RSAB (Tabel 7). Hasil validasj model dengan metode RSAB dapat dilihat pada Lampiran 4. Plot nilai dugaan dampak mengikuti pola data aktual. Bila ditinjau dari nilai korelasi antara hasil ramalab dan data aktual, nilai berkisar antara 30 % hingga lebih 70 %.
Tabel 7. Nilai R2, R~ terkoreksi, dan MSE model curah hujan mendrut tipe hujan berdasarkan Metode Kuadrat Terkecil dan RSAB
Kriteria Tipe Hujan
L
StasiunR2 R2terkoreksi I MSE
Metode Kuadrat Terkecil Mollsoon
t-
Tuban 52,5 5 1,2 11.182 Ampenan 44,4 43,2 7.917 Sandakan 29,9 28,l 21.065 Equatorialt-
Pontianak %I 3 ,4 17.870 Pekan Baru 9.3 7.7 10.068 Medan 12,8 11,2 1 1.293 Lokalt
Ambon 32.8 31.5 25.881I
Metode RSABI
Morlsoon Tuban 70,5 68,6 7.133 Ampenan 53,8 52,5 I 6.859 Sandakan 59.2 57.0 12.942 Equatorial Pontianak 27,9 26,l 13.595 Pekan Baru 25,2 23,7 8.273 Medan 28.7 26.7 9.101 ILokal Ambon 54,7 53,l 18.781Model curah hujan dengan metode RSAB lebih kompleks ila dibandingkan
P
dengan metode kuadrat terkecil. Meskipun tersedia selang koefisien regresi, namun cenderung bersifat spesifik lokal.menurut pola data (pola hubungan antara peubah prediktor respon). Berblzda dengan metode kuadrat terkecil yang mempunyai sifat
Pemodelan RSAB untuk prediksi iklim tidak ideal, sebagaimana metode yang digunakan (Tjasyono dan Lestari 2001). Berdasarkan dengim menggunakan n = 60, 120,
-A- Sandakan 0 TOO
.-
0 6000 too
I
- - - . - -I
Gambar 6. Plot antara korelasi dan banyaknya data hasil simulasi data tipe hujan moonson
korelasi dan RMSE validasi model yang berfluktuasi (Gambar 6
@
7). Besarnya nilai korelasi dan RSME validasi model lebih bergantung pada po14 hubungan antara peubiih respon dan peubah prediktor (Lampiran 9). ~ a r n ~ i r a n l 10 menyajikan karakteristik dari model yang terbentuk hasil simulasi meliputi : jlu/llah knot, jumlahbasis fungsi, R ~ , R*-terkoreksi, efektifitas parameter, dan nilai G untuk masing- masing panjang data.
Indikator ENS0 merupakan salah satu faktor global mempengaruhi curah hujan, sehingga untuk menghasilkan peramalan iklim panjang yang lebih baik, perlu dilakukan pemodelan dengan memasukan lainnya yaitu komponen-komponen periodik pembangkit iklim
panjang, meliputi 11 tahunan, 3 tahunan, dan 2 komponen tersebut berturut-turut adalah
Oscillation (QTO), dan Quasi Biennial Oscillation (QBO) (Pambudi
Komponen 11 tahunan disebabkan gangguan aktivitas mataliari (fenomena sunspot). Fenomena sunspot
-
terrnasuk flaremencarkan energi dan radiasi ultraviolet lebih tinggi sehingga derajat konveksi udara pada lapisan permukaan. Dalam konteks fenornena sunspot mempengaruhi kondisi iklim dalam cakupan dan bersifat global. Quasi Triennial Oscillation (QTO) merupdcan
tahunan dan belum dapat didefinisikan secara pasti di wilayah QTO melibatkan gelombang atmosfer dalam skala besar dan terjad:. lebih tinggi. Komponen 2 tahunan adalah osilasi aliran massa udar di da.erah lintang rendah yang berubah arah dengan periode terbeiituk akibat interaksi antara gelombang Kelvin, gelombang R
mean flow. 2002). magnetik pada dan prominent
-
terjadi penambahan sesungguhnya ~ i l a y a h yang luas osilasi tiga 1:ndonesia. Osilasi pada level yang. arah timur-barat 24-30 bulan. QBO ~ s b y Gravity dan
Pemodelan Indikator ENS0
1
Hasil deskripsi indikator ENS0 menunjukkan bahwa SO1 +empunyai ragam yang terbesar dengan koefisien keragaman sebesar 1305.19 %, ragam terkecil adalah Nino 4 dan Nino 3.4 dengan koefisien keragam
2.33 % dan 3.60 % (Tabel 8). Besarnya nilai ragam ini
dari bentuk model yang akan dihasilkan. Semakin besar agam dan pola kenonlinieran, semakin kompleks model yang dihasilkan. Model
I
indikator ENS0 deng8an menggunakan metode ASTAR selengkapnya dapat dilihat ada Lampiran 5. Bila dibandingkan dengan metode trend surfaces analysis (Zif en 1999), secaraumurn metode ASTAR mempunyai nilai RMSE yang lebih kecil (
=I
abel9). Tabel 8. Deskripsi indikator ENS01
N Rataan Simpangan Koef.
baku K aragaman
600 9.94 2.61 26.26 %
576 26.96 0.97 3.60 %
Nino 4 576 28.37 0.66 2.33 %
576 -0.77 10.05 1305.19 %
Berdasarkan hasil verifikasi model, model ASTAR cu menjanjikan, terlihat plot hasil dugaan mengikuti pola data aktual (Lampiran
Hasii validasi model dengan menggunakan ex ante forecast dan )ex post forecast, terdapat beberapa peubah indikator ENS0 mempunyai perbebaan hasil yang diperoleh selama 2 tahun (24 bulan). Hal ini ditunjukkan adany$. perbedaan nilai korelasi antara data aktual dan ramalan dari kedua metode validasi tbrsebut (Tabel 9). Tekanan Darwin, tekanan Tahiti, dan Nino 1.2 mempunyai hasil validasi model yang kons~sten dari kedua metode tersebut. Metode validasi ex ante forehast secara urnum mempunyai korelasi yang lebih besar bila dibandingkan dengan metode ex post
forecast.
Secara umum, Tabel 10 menyajikan nilai korelasi dari kedui metode validasi yang mencapai antara 60 % sampai lebih dari 90 % dalam kurun w 4 t u 3 (tiga) bulan. Disa~nping itu ditunjukkan pula, plot hasil ramalan mengikuti lpola data aktual (Lampiran 7). Sehingga model ASTAR dari peubah indikator ENS0 tersebut mempunyai potensi daya ramal yang cukup tinggi untuk meramal iqim 3 (tiga) bulan menclatang. Dengan demikian untuk menjamin keakuratan perahalan, model ini membutuhkan update data setiap 3 (tiga) bulan sekali.
Plot validasi model peubah SO1 dan IOJD tidak sebaik dengan peubah indikator ENS0 lainnya. Hal ini disebabkan koefisien keragaman dhta kedua peubah tersebut sangat besar (Tabel 8). Di samping itu kedua peubah tersebut mempunyai pola yang berfluktuasi bila dibandingkan dengan peubah-peubah indikator ENS0 lainn ya (Lampiran 6).
Tabel 9. Nilai RMSE, Nilai korelasi dugaan dan ramalan indikatot ENS0 dengan metode ASTAR dan TSA
Ramalan
~
Indikator ENS0 Dugaan
ASTAR
Ex ante Ex ~ o s t l TS A*) r RMSE r RMSE r RMSE
Tekanan Darwin
Tabe l 10. Nilai korelasi antara data aktual dan ramalan peubah predbktor menurut RMSE Tekman Tahiti 0.83 0.94 0.74 0.91 0.76 l.y.1
Nin~s 1.2
k
0.98 0.50 0.96 0.78 0.63 2.06jumlah pengamatan dan metode validasi
k
0.92 0.99 0.96 0.94 0.87 1.55 1.331.98 2.30
I
Ex ante. forecastI
Peubah Jumlah Observasi :
n = 3 n = 6 n = 9 n = 1 2 n = 1 5 n = 1 8 n k 2 1 n = 2 4 Tek. Darwin 0.605 0.955 0.964 0.965 0.956 0.954 01.953 0.957 Tek. Tahiti -0.184 0.594 0.794 0.775 0.719 0.711 01.753 0.738 SO1 -0.946 -0.288 -0.160 -0.261 -0.397 0.642 IOJD -0.824 0.213 0.256 0.244 0.285 0.234 Nino 4 0.529 0.809 0.858 0.838 0.826 0.866 Nino 3.4 0.917 0.941 0.928 0.936 0.916 0.951 0.706 0.750 0.190 0.249 0.908 0.923 0.968 0.972 Nino 3 0.990 0.948 0.955 0.965 0.954 0.969 01.976 0.981 Nino 11.2 3 I Tek. Darwin Tek. Tahiti -0.734 0.577 0.799 0.769 0.687 0.698 01.733 0.757 SO1 -0.733 -0.050 0.047 -0.137 -0.107 -0.201 -0~.195 -0.223 1 0 . 1 ~ -0.980 0.297 0.465 0.452 0.386 0.425 0.424 0.320 Ninc 4 0.784 -0.085 0.474 0.480 0.518 0.498 .604 0.664 Ninc 3.4 0.975 0.946 0.888 0.803 0.747 0.577 q.514 0.431
