Professional Documents
Culture Documents
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.