Implementasi Support Vector Regression(SVR) Dalam Peramalan Curah Hujan Dengan Studi Kasus Perbandingan Kernel

Peramalan iklim harian, khususnya curah hujan, merupakan aspek penting dalam mendukung sektor pertanian karena dapat membantu pengambilan keputusan terkait kegiatan budidaya. Namun, hubungan antarvariabel meteorologi yang bersifat non-linier menyebabkan proses prediksi menjadi cukup kompleks. Penelitian ini menerapkan metode Support Vector Regression (SVR) dengan empat jenis kernel, yaitu Linear, Polynomial, Radial Basis Function (RBF), dan ANOVA RBF, untuk membandingkan performa prediksi curah hujan harian. Pengujian dilakukan pada 50 skenario yang terdiri atas lima pembagian data latih dan data uji (50:50, 60:40, 70:30, 80:20, dan 90:10) dengan variasi parameter pada masing-masing kernel. Kinerja model dievaluasi menggunakan Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa kernel Linear dengan pembagian data 90:10 dan parameter C=10 memberikan performa terbaik dengan MAE 5,162, RMSE 10,481, dan R² 0,1965. Sementara itu, kernel ANOVA RBF dengan Gamma=0,01, Degree=2, dan C=10 menjadi alternatif terbaik dengan R² sebesar 0,1808. Hasil penelitian menunjukkan bahwa pemilihan kernel dan parameter berpengaruh terhadap performa SVR dalam memprediksi curah hujan.