METODE ANALISIS KEANDALAN MODEL PREDIKSI
Penggunaan model prediksi iklim sangat diperlukan pada era di mana iklim mengalami
perubahan dan sering terjadi pergeseran musim, terutama pergeseran musim kering dan basah.
Dalam bidang pertanian, kedua musim tersebut sangatlah penting karena kesalahan menanam
pada musim tertentu akan berakibat pada pengurangan ataupun kegagalan hasil panen (Sumarni
dan Syabuddin 2016). Pembuatan prediksi iklim dapat dijalankan menggunakan dua
pendekatan, yaitu pendekatan empirik dan pendekatan dinamik, di mana keduanya dapat
digunakan bersamaan ataupun hanya digunakan salah satu saja. Pendekatan empirik dijalankan
pada deret panjang data yang kemudian dianalisis dengan metode statistik, sedangkan metode
dinamik dijalankan dengan pemodelan fisika dari interaksi atmosfer (Sarvina dan Surmaini
2018).
Sudah banyak model prediksi iklim yang digunakan saat ini, akan tetapi diperlukan
evaluasi model iklim yang digunakan untuk melihat nilai skill atau keandalan dari prediksi
yang dilakukan. Terdapat beberapa metode yang dapat digunakan untuk mengevaluasi
keandalan prediksi iklim. Dua di antaranya adalah kurva relative operating characteristic
(ROC) dan relative operating level (ROL). Keduanya dilakukan dengan cara membandingkan
antar-rasio yang didapatkan, baik itu rasio hit rate, false alarm rate, correct alarm ratio, dan
miss ratio. Adapun ROC merupakan kurva dari nilai hit rate dan false alarm rate, sedangkan
ROL dihitung menggunakan nilai correct alarm ratio dan miss ratio. Kedua metode tersebut
digunakan dalam semua nilai peluang yang terjadi dari 0-100% (Ulfasari 2017). Rasio yang
diperoleh kemudian dijadikan grafik untuk menghitung nilai keandalan dari prediksi suatu hasil
prediksi.
CAR dan MR Sifat Hujan Hasil Observasi dan Simulasi bulan September - November
Korespondensi relative operating levels (ROL) ditentukan oleh vektor dua komponen
yang terdiri dari correct-alarm ratio (proporsi kasus di mana sebuah peristiwa terjadi setelah
peringatan) dan miss ratio (proporsi kasus di mana sebuah peristiwa terjadi setelah tidak ada
peringatan). Correct-alarm ratio dan miss ratio kemudian memberikan koordinat ruang ROL
dan secara kolektif (untuk set ambang batas pendefinisian kejadian) akan membentuk suatu
kurva yang dapat memberikan ukuran kemampuan model prakiraan untuk memprediksi bahwa
hasil prakiraan akan melebihi satu set ambang batas yang ditetapkan (Mason dan Graham
2002).
Tabel 1 Hasil perhitungan correct alarm ratio (CAR) dan missing ratio (MR) sifat hujan hasil
observasi dan simulasi bulan September - November (SON) 1950 - 1994
Nilai batas
peluang
Atas normal
Bawah normal
CAR
MR
CAR
MR
100
∞
0.33
0.50
0.33
90
1.00
0.30
0.33
0.33
80
1.00
0.25
0.50
0.32
70
0.75
0.24
0.50
0.31
60
0.75
0.18
0.60
0.26
50
0.73
0.13
0.54
0.25
40
0.57
0.13
0.47
0.23
30
0.57
0.09
0.48
0.18
