AFLAH kilmat 2015

Root Mean Square Error (RMSE)

Root Mean Square Error (RMSE) merupakan akar dari rata-rata kuadrat kesalahan. Metode ini
digunakan untuk mengetahui besarnya penyimpangan hasil prediksi terhadap data aktualnya.
Nilai RMSE dapat dihitung berdasarkan persamaan (Wilks, 1995) :
RMSE = (1𝑁Σ(𝐹−𝑂)2𝑁𝑖=1)1/2 ..................................................................(III.6)
Keterangan :
F = data hasil prediksi
O = data observasi
N = banyaknya data
Semakin kecil nilai RMSE maka tingkat kesesuaian antara hasil prediksi dengan data observasi
semakin besar.
DIYAS DWI
Data dari suatu pengamatan selain memiliki kecenderungan memusat, juga memiliki
kecenderungan mencapai nilai berbeda. Hal ini disebut kecenderungan memencar/penyebaran
data. Yaitu seberapa jauh hasil-hasil pengamatan menyebar di “sekitar” rata-ratanya (Yusuf
Wibisono, 2009). Menurut Boer dkk (1990) ada dua parameter yang digunakan untuk
menentukan keragaman curah hujan, yaitu simpangan baku dan koefisien variansi.
Simpangan Baku (standard deviation)
Keragaman curah hujan dicirikan oleh dua parameter yaitu rata-rata dari data dan simpangan
baku. Simpangan baku mengukur penyebaran atau keragaman dari data. Simpangan baku
dihitung dengan rumus: √Σ( )̅
Nilai S dapat digunakan untuk membandingkan keragaman curah hujan dalam suatu periode pada
stasiun yang berbeda. Semakin kecil nilai S , semakin kecil keragaman curah hujan (Boer, dkk,
1990).
Koefisien Variansi (coefficient of variation)
Koefisien variasi merupakan suatu ukuran variasi yang dapat digunakan untuk membandingkan
suatu distribusi data yang mempunyai satuan yang berbeda. Kalau kita membandingkan berbagai
variansi atau dua variabel yang mempunyai satuan yang berbeda maka tidak dapat dilakukan
dengan menghitung ukuran penyebaran yang sifatnya absolut. Koefisien variansi adalah suatu
perbandingan antara simpangan baku dengan nilai rata-rata dan dinyatakan dengan prosentase.
C. Peluang Kejadian Bersyarat (Conditional Probability)
Hildebrand menyatakan bahwa conditional probability dari A yang diberikan oleh B dinotasikan
sebagai P(A|B) dan didefinikan dengan rumus : ( | ) ( ) ( ) ( ) ( )
Adapun aturan dalam conditional probability adalah : Fungsi PB(A) = P(A|B), dinyatakan sebagai
fingsi dari A, dengan kondisi kejadian B yang telah dipastikan. Dari Kolmogorov axiom dan
aturan yang diturunkan dari axiom ini, adalah sebagai berikut :
14
14
Rumus tambahan untuk conditional probability :
P(A1 U A2 U . . . | B) = P(A1|B) + P(A2|B) + . . .untuk kejadian saling independen A1, A2, . .
Aturan komplemen untuk conditional probability :
P(AC|B) = 1 – P(A|B)
Adapun aturan perkalian (chain rule) untuk conditional probability : P(AB) = P(A|B) P(B). Pada
umumnya, untuk kejadian A1, . . ., An, ; P(A1A2. . .An) = P(A1) P(A2|A1) P(A3|A1A2). .
.P(An|A1A2. . .An-1). Dimana, P(A|B) tidak sama dengan P(B|A) dan P(A|BC) tidak sama
dengan 1 – P(A|B).
D. Korelasi Data Kualitatif (Contingency Coefficient)
Korelasi data kualitatif digunakan untuk menentukan besarnya koefesien korelasi jika data yang
digunakan berjenis kualitatif. Banyak sekali hasil pengumpulan data (penelitian) yang
menghasilkan data kualitatif, khususnya data yang berupa katagori-katagori. Untuk data kualitatif
yang dipergunakan dalam mengukur kuatnya hubungan disebut Koefisien Bersyarat
(Contingency Coefficient) yang mempunyai pngertian sama dengan koefisien korelasi. Koefisien
bersyarat (Contingency Coefficient) digunakan untuk mengukur kuatnya hubungan data kualitatif
yang mempunyai arti seperti koefisien korelasi, dimana nilai Cc sebesar nol, yang memiliki arti
tidak adanya hubungan. Akan tetapi, batas atas Cc tidak sebesar satu, tergantung atau sebagai
fungsi banyaknya katagori (baris atau kolom) (Supranto, 2008).
Eva PRAMUTHIA
Hasil korelasi yang tinggi tersebut menunjukkan adanya masalah multikolinearitas antar grid
prediktor sehingga perlu dilakukan analisis komponen utama untuk menghilangkan masalah
multikolinearitas tersebut.

NASTITI
3.3.3 Fitting model
a) Menentukan Komponen Utama (KU)

Salah satu cara untuk meminimalisasi multikolinearitas adalah reduksi dimensi spasial atau
mencari peubah baru yang merupakan kombinasi linear dari peubah aslinya dengan syarat peubah
baru tidak saling berkorelasi (Haryoko, 15
2014). Analisis Komponen Utama (AKU) digunakan untuk memeriksa apakah terdapat korelasi
yang kuat antar prediktor yang digunakan atau multikolinearitas (dalam penelitian ini ialah suhu
muka laut antar grid). Peubah baru yang dibentuk oleh AKU harus mampu menjelaskan
keragaman dari seluruh data prediktor.
Jumlah peubah baru atau komponen utama yang akan dipakai bergantung dari matriks ragam
peragam Σ. Ragam atau varian dari setiap komponen utama ditandai dengan nilai akar ciri atau
eigen value. Presentase kumulatif akar ciri merupakan kontribusi setiap komponen utama
terhadap peubah aslinya. Setiap akar ciri berpadanan dengan nilai vektor ciri atau eigen vector
yang merupakan koefisien dari suatu komponen utama. Penulis menggunakan kriteria pemilihan
komponen utama dengan syarat presentase kumulatif akar ciri sebesar 98%.
b) Membangun model Regresi Komponen Utama (RKU)

Perkalian antara koefisien KU atau vektor ciri dengan peubah aslinya (suhu muka laut)
menghasilkan nilai komponen utama atau score. Score selanjutnya akan digunakan untuk
membangun persamaan regresi komponen utama, dimana score merupakan variabel prediktor
dalam persamaan regresi komponen utama.
c) Prakiraan curah hujan

Hasil prakiraan hujan didapatkan dari transformasi komponen utama ke peubah awal (suhu muka
laut). Transformasi tersebut merupakan perkalian antara koefisien AKU atau vektor ciri dengan
koefisien RKU, yang selanjutnya dikalikan lagi dengan suhu muka laut dengan jeda 1 bulan
sebelumnya (lag 1) dari waktu prakiraan.
d) Pemilihan domain terbaik

Pemilihan domain terbaik dilakukan dengan cara menghitung indikator validasi (RMSE,
koefisien korelasi, dan persentase sesuai prakiraan) dari semua stasiun penelitian pada setiap
domain. Domain terbaik ialah domain yang memiliki nilai persentase sesuai prakiraan (PC)
terbesar atau mendekati 100% dan korelasi terbesar serta nilai RMSE terkecil. Nilai korelasi dan
RMSE merupakan nilai pendukung, bila PC bernilai sama maka domain terbaik merupakan
domain yang memiliki nilai korelasi terbesar dan nilai RMSE terkecil.