TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol. 12, No. 8, August 201 4, pp. 6423 ~ 6430   DOI: 10.115 9 1 /telkomni ka. v 12i8.619 5          6423     Re cei v ed Ap ril 1, 2014; Re vised J une 3,  2014; Accept ed Ju ne 15, 2 014   Downsc aling Modeling Using Support Vector  Regression for Rainfall Prediction      Sanusi* 1 , Ag us Buon o 2 , Imas S Sitanggang 3 , Akh m ad Faqih 4  1,2, 3 Department  of Computer S c ienc e, F a cult y of Mathematic s and Natur a l  Scienc es,  Bogor Agr i cult ural U n ivers i t y ,  1668 0 Bog o r,  Indon esi a , Ph/F ax. + 62-2 51-6 284 48/6 229 61   4 Departme n t of Geoph ysics a nd Meteor ol og y, F a cult y   of Mathematics a n d  Natural Sci enc es,  Bogor Agr i cult ural U n ivers i t y ,  1668 0 Bog o r,  Indon esi a , Ph/F ax. + 62-2 51-6 284 48/6 229 61   Corresp on din g  author, e-mai l : sanusi u marh a s an@ gmai l.co m *1 , pudesha @ y ah oo.co.id 2 ,  imas.sitan gga n g @gma il.com 3 , akhmadfa @ ip b.ac.id 4       A b st r a ct  Statistical d o w n scali ng  is a n   effort to link  gl oba l  scale to local scale var i able. It uses GCM m o del  which usually  used  as a prime instrument in lear ning  system   of various clim ate. The pur pose  of this st udy  is as a SD  mo del by  usin g S V R in or der to  pred ict t he rai n fall in  dry seas on; a case stu d y at Indra m ay u.   T h roug h the mode l of SD, SVR is created w i th line a r  kerne l  and RBF  kern el. T he results  show ed that th e  GCM mo dels   can b e  us ed t o  pre d ict rai n fall i n  the  dry  seaso n . T he b e st SVR mod e l is  obtai ne d  at  Ciked un g r a in  station  i n  a  li near  kern el  fu nction   w i th co rrelatio n   0.74 4  an d RMSE  2 3 .937, w h ile  th e   mi ni mu m  pred i c tion resu lt is g a in ed at Ci de mpet rain  stati o n  w i th correlatio n  0.40 1 an d R M SE 36.96 4. T h is  accuracy  is still not high, the  select i on of p a r ameter va lues  for each k e rn el functi on n e e d  to be  do ne w i th   other opti m i z a t i on techn i q ues.     Ke y w ords :  st atistical  dow ns calin g, g e n e ral  circul asi  mod e ls, su pport v e ctor re gressi o n ,  rai n fal l  i n   dry   seaso n     Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .        1. Introduc tion   In some recent years a g o , many efforts  have al re ady done to  explore the  effect of  climate vari ety whethe r in  a big scal e o r  clim at e ch a nge toward the varia b ility of rainfall in t he  worl dwi de [1] .  The clim ate  variety esp e c ially rai n fall  in Indon esi a   mostly influe nce d  by glo b a l  phen omen on  su ch a s  El -Nin o an d Southern O sci llation (ENS O), ENSO i s  conventio n a lly  identified a s  oce an temp e r ature wa rmi ng in ea st ern  Pacific [2]. Indian O c ea n Dipol e (IO D ),  IOD  as a mo du s  of tropical p h ysic in In di an Ocean i s  stron g ly beli e ved as  a m a in effect wh ic h   cau s e s  dryn ess in Indo nesi a  [3]. Madde n Juli a n  Oscillation  (MJO ), MJO as a glo bal   phen omen on  influen ce s the climate in western of  Indo nesi a  [4]. This phe nome n o n  also ha ppe ns  in Indramayu.  It is one  of Indone sia distri ct  whi c h ha s monsoon rai n   and  a s  a  cen t ral  produ ctio n  of agri c ulture  particula rly ri ce [5]. The m a in fa cto r s  ca use  crop failu res i n  Indram ayu are d r yne ss  (79.8%), pe st  attack (15.6 % ) and float (5.6%) [6].  One of inst ruments  whi c h  can be used  to obser ve the indication of climate vari ability is   Gene ral  Circulation Mo de  [7]. It can be kn own that  GCM  ha s a n  inten s e rel a tionship b e twee n  big scal e cli m ate an d wh ether  on lo ca l scale fo r  rainfall predic tion [8], [9]. Si mulated  rainf a ll  pattern from  the variou s model s of GCM is able  t o  give basi c  informatio n that neede d to the  future develo p ment [10]. Ho wever, G C M data is  co nsid ere d  to the low of re solution and gl obal   scale which d i fficult to be used in doi ng  predi ction b e c au se lo cal cl imate need s  high re sol u tio n ,  but GCM i s  st ill can be used if it  mixed to the downscaling technique.    Many model s that al rea d y use d  to  pre d i ct  clim ate in  GCM  and  SD su ch  as Buo no  et a l   (201 0) [11]  statistical d o w n s caling  m odelin g u s in g Artificial   Neu r al  Net w orks (ANN)  for   predi ction  mo nthly rainfall  i n  Ind r amayu.  In ad dition, Wige na (20 0 6 )  [1 2]  stati s tical do wn scali ng  model with  Regre s sion Projectio n  Persuit (PPR) to  fore ca st the rainfall (month l y rainfall ca se in   Indram ayu). This study uses  Su ppo rt V e ctor Regres sion on do wn scaling mod e l   to  predict  th e  rainfall in dry season.   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  642 3 –  6430   6424 Statistical d o wn scaling i s  define d  a s  tran sfe r  functio n  that  descri b e s  functio nal   relation shi p  of global atmosp he ric  circul ation  with  local clim ate element s [13]. Figure  1 i s   process illustration of dow nscaling statist i cal.      Y , f X ,,,                                                                                                                                         (1)        Where,                                                   Y = local  clim ate variable  X = GCM out put variable   t  =  time period   p = many of Y variable     q = many of X variable   s = ma ny of atmosph e re la yer  g = GCM do main               Figure 1. Statistical  Do wn scalin g Illustrat i on       1.2.  Support Vector Regr ession   Suppo rt Vector Re gressio n  (SVR) i s  the  expan sion  of Support Vector M a chin e (SVM).   SVM use d  to  solve  cla r ification p r obl em , while SV R  use d  to  reg r e ssi on  ca se. S V R is a m e th od  that can overcome overfitting, so that  it will result better perform a nce [14].  Suppo se we  have a set of data as much a s   ℓ  set training d a ta in a formula: χ x i , y i   w i t h   i 1 , … , ℓ , by x in put data = {x 1 , x 2 , x 3 , . ..,n}  ⊆   N  a nd the co rrespon ding outp u t  as  y y ,…,y ℓ  ⊆     . When  ε  value is equal as  0, we will get  a perfe ct regression. Supp ose we  have a functi on as reg r e s sion line belo w :                        f x w ∙ ϕ x b            ( 2 )      By   ϕ x  sho w s a  point in fe ature  sp ace F t he ma pping   result of x in  i nput spa c e.  Coeffici ent of  w and b a r e e s timated by  minimizi ng th e risk fun c ti on that describ es in the follo wing formulat ion:    min ∥w ∥ C ℓ ∑ L ∈ y , f x ℓ           ( 3 )     Dep end s on   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Do wn scaling  Modelin g Usi ng Suppo rt Vector  Reg r e s sion for  Rainf a ll Predi ction  (Sanu si)  6425 y w ϕ x b ε   w ϕ x by ε ,i 1 ,2 ,3 ,…, ℓ       With,         L y , f x  | y f x | ε , | y f x | ε 0                                                           ,t o  the  o thers       By minimizing  ∥w ∥  will make t he function as thin as  possible, as a  result the  capacity  function can  be cont rolle d.  ε -inse n sitive loss function required to minimize n o rm from w a c hiev e   better ge nera lization to re gre ssi on fun c tion f(x). Tha t  is why we  have to solv e the followi ng   probl em:     min ∥w ∥                    (4)                                              Dep end s on:     y w ϕ x b ε   w ϕ x by ε ,i 1 ,2 ,3 ,…, ℓ       Assu me the f unctio n  of f(x) whi c h  ca n  approximate  to all of these point s  x ,y . Then,  we will get a cylinder as describe in Figure 2.           Figure 2. Reg r essio n  Fun c t i on at SVR [15]      A ccu ra cy  of   ε  in this case we assum e  that all points in the range f    ε  (feasible). In the   case of i neligi b ility, where there are  som e  point s that  may be out of  range f    ε , we  need to  ad d  variable of sl ack  ξ , ξ ∗ . Furthe rmore, the opti m ization p r o b l em can u s e t he followi ng formul a:     min ‖ w ‖ C ∑ ξ ξ ∗ ℓ ℓ                 (5)               Dep end s on:     y w ϕ x ξ b   ε ,i 1 ,2 ,3 ,…, ℓ     w ϕ x y ξ ∗ b   ε ,i 1 ,2 ,3 ,…, ℓ     ξ , ξ ∗ 0     Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  642 3 –  6430   6426 The co nsta nt of C > 0 dete r mine d the b a r gai ning b e twee n the thin ness of functi on f and  the uppe r li mit of deviation that more than   ε  was  still tolerated.  ε  was  com para b le t o  t h e  accuracy of the app roxima tion of the  tra i ning data. The highe st value of  ε  was re lated to  ξ ∗  that  has  small a n d  low ap proximation a c curacy. The hig h e st value for  variable  ξ ∗  will make  empi rical  errors which  have a  con s i dera b le influ e n ce  on t he  re gulari z atio n factor. In SV R sup port ve ctor  there was the  training data  whi c h lo cated  out of f from  the deci s io n functio n .    By C was  determi ned b y  user,  Kx ,x  was dot-pro du ct kernel  that identified a s   Kx ,x  ϕ x   ϕ x , by using Lagrang e multipliers and  optimalizati on con d ition,  The  reg r e ssi on fu nction  wa s formulate d  expl icitely in the followin g  form ula:    f x ∑ α α ∗ ℓ  K x, x b            ( 6 )                                                                             Before d o ing  training  and t e st of SVR, it  is bette r for  us to d e ci de  para m eter value of C,   ε  to the function of Linea r Kernel a nd C  para m eter,  ε , and  γ  to RBF  k e rnel func tion.       2. Res earc h   Method   This stu d y was  und erta ke n in  seve ral  pha se s. All o f  those  ph ases  ca n b e   se en in  th e   followin g  figure Figure 3.                                                               Figure 3. Re search Flo w ch art       The begi nnin g  of this stu d y was litera t ure  revie w ; it used in ord e r to unde rstand all  probl em s tha t  will be  re se arched. T he  data u s ed i n   this research  is  se cond ary  data divide d  to  GCM hin d ca st data re sult  (used a s  cla r ify vari able)  and data of rainfall ob serv ation (u sed a s   respon d vari able).  Re sult  of GCM  hin d ca st  d a ta  wa s a c qui red  from the  Cli m ate Inform a t ion  Tool Kit (CLI K) APEC  Climate C enter  (APCC) as  the rainfall dat a and type of  ASCII file whic h  con s i s ts  of 6  mod e ls with  a  re solutio n   grid  of latitud e  an d lo ngitu de 2.5 0 x2.5 0 ,  data  acce ssed  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Do wn scaling  Modelin g Usi ng Suppo rt Vector  Reg r e s sion for  Rainf a ll Predi ction  (Sanu si)  6427 from the webs ite CLIK APCC  (http://c lik.apcc 21.or g), as  well as  two models  of  GCM hindc a s t   rainfall  obtain ed fro m  the   web s ite  of th e Intern at ion a l Research   Institute Data  Library  (IRI DL)  (http://iridl.ldeo.c o lumbia.edu), as  data  of Climate P r edic t ion C ent er(CPC) Unifi ed Gauge-Bas ed   Analysis of G l obal Daily Precipitatio n  fro m  The  Intern ational Re se arch Institute for Climate a nd  Society (IRI)  and TSV file type with a gri d  resolution o f  latitude and longitud e  0.5 0 x0.5 0 . Hindc as t  GCM data used  to build predictio n  mo d e l  in 3  diffe re nt month s : M a y, Jun e , an d  July  (M JJ) from  the year of 1982-200 8 (27  years) ev ery  model at every rainfall stat i on. In this study, there are 8  GC M hindcast   rainfalls to b u ild pre d ictio n  model a s  shown in Tabl e 1.  The d a ta of  rainfall  ob servation (re s po nd va ri able )  i s  the  averag e value  of seasona l   rainfall  at ev ery rainfall  station in In d r amayu  by l ongitudi nal p o sition  of10 7 o 52 ’ -10 8 o 36 ’ BT   and 6 o 15 ’ -6 o 40 ’ LS, it wa s obtaine d from the m e asu r em ent a nd te st that perfo rme d   by  Meteorology Dep a rtme nt in Indramayu.  There we re  15 observatio n  stations u s ed as sho w n  in  Table 2. The  data of   rainfall obse r vatio n  wa s use d  3 months: M a y, June, Jul y  (MJJ) from  the  year of 1982 -2008 (27 yea r s) at every rainfall station.   Data of GCM  was  cro ppe d  in grid of 7x7 and   then m a ke all of GCM data mode l to the  line ve ctor;  Next, averag e rainfall  of  data G C M a nd observati ons to be the annual rai n fall.  Furthe rmo r e, distrib u te trai ning and te st data by us ing  9-fold cross  Validation, 9 is divided du e  to   the numbe r o f  year and re done in nine t i mes. T he dat a PCA is necessary to be done be ca use it  can avoi d the  double lin ea r data in GCM  model an d to save  comp uting time during trainin g  a n d   testing the SVR model. Redu ction  process is held by  taking one o r  more majo r compon ents  with   diver s ity of  ≥ 98%. Finally the SVR traini ng and te stin g can b e  don e.      Tabel 1. The  Data of GCM Hind ce st Rai n fall and its F ound ers  No  Model   Name   Ensemble Institution  Sources  References   1 GCPS  T6 3T21   4  Korea   http://clik.apcc21 . org    [16]  2 GDAPS  T1 06L2 1  20  Korea   http://clik.apcc21 . org    [16]  3  CMC1-C anCM3   120  Columbia  http://iridl.ldeo.columbia.edu    [17], [19]   4 CanCM3-A GCM 3   10  Canada   http://clik.apcc21 . org    [16]  5  GFD L -CM2P 1   120  Columbia  http://iridl.ldeo.columbia.edu    [17], [19]   6 NASA-GS FC  L3 4  8  U.S.A  http://clik.apcc21 . org   [16]  7  METRI AGCM L 17  10  Korea   http://clik.apcc21 . org    [16]  8 PNU  5  Korea   http://clik.apcc21 . org    [16]      Tabel 2. The  Name a nd Lo cation of the  15 Ra i n fall O b se rvation Stations in Ind r amayu   Y   Station   Name   LS       BT   Y   Station   Name   LS       BT   Y 1  Bangkir -6.336   108.325   Y 9  Ujungaris  -6.457   108.287   Y 2  Bulak  -6.338   108.116   Y 10  Loh  berne r   -6.406   108.282   Y 3  Cidempet   -6.354   108.246   Y 11  Sudimampir  -6.402   108.366   Y 4  Cikedung  -6.492   108.185   Y 12  Juntinyuat   -6.433   108.438   Y 5  Losarang      -6.398   108.146   Y 13  Krangkeng   -6.503   108.483   Y 6  Sukadana  -6.535   108.300   Y 14 Bondan  -6.606   108.299   Y 7  Sumur w atu      -6.337   108.325   Y 15   Kedokan  -6.509  108.424   Y 8  Tugu   -6.433   108.333   Bunder       3. Resul t s  and  Analy s is   Do wn scaling  model by u s ing SVR to  predi ct the  rainfall in d r y season  with cla r ify  variable in m odel of GCM  and ob se rvation of rainfa ll  as re sp ond v a riabl e, All of  those d a ta were   use d  at every 15 rainfall  station s  in In dram ayu.  He re a r e the  re sults  of the predi ction  of the   model G C M rainfall avera g ed as  sho w n i n  Table 3.     Based on the predi ction result on Tabl e 3, it c an be  said that the result will be better if it  has  a high  correl ation while RMSE  i n   lo w  valu e. On  the  ke rnel lin ear fu nction  the  hi gh  correl ation v a lue  wa s ob tained at  Ci ked ung  ra inf a ll station.  On the  othe r ha nd, the  low  correl ation va lue wa s g o tten at Cida mpe t  rainfall st ati on.  Overall, i t  c an be  co ncluded that  re sult  prod uctio n  by using kern el linear fun c tio n  was  b e tter than RBF kernel function. It was marke d  by  the correl atio n value or RMSE value in every rainfall  station.  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  642 3 –  6430   6428   Tabel 3. The  Average  Correlation of the Predi ction Re sult by usin g GCM Mo del  Data an d  RMSE Value s  between  Ra infall Observa t ion in Indram ayu  N o  St a t i on  Kernel Li near   Kernel R B F   Correlati on  RMSE  Correlati on   RMSE  1 Bangkir  0.578   62.269   0.562   67.799   2 Bulak  0.684   26.052   0.345   30.298   3 Cidempet   0.401  36.964   0.241  35.353   4 Cikedung  0.744  23.937   0.538  42.483   5 Losarang   0.721   26.955   0.556   32.823   6 Sukadana  0.419   30.517   0.528   31.287   7 Sumur w atu   0.670   36.918   -0.053   42.855   8 Tugu   0.651   28.449   0.472   32.258   9 Ujungaris  0.515   29.653   0.422   32.261   10 Lohbener   0.675   32.349   0.579   35.478   11 Sudimampir  0.514   55.424   0.472   57.634   12 Juntinyuat   0.611   44.384   0.648   49.783   13 Kedokan  Bunder   0.726   39.267   0.696   43.202   14 Krangkeng   0.655   43.335   0.414   49.422   15 Bondan   0.681   24.730   0.208   27.580       The be st G C M mo del  was in T a ylor cha r t that close r  to the  observation  point. By  looki ng at  sta ndard deviati on, RM SE an d co rrelation,  observation  p o int is the  sta ndard deviati on  of data poi nt at a pa rticula r  locatio n  [20]. Ther e a r e 8  explanation  o f  GCM mo del s we can find  at   Taylor  chart, they are: 1.  CMC1-CanCM3,  2. GDAPS T106L21, 3. GFDL-CM2P1, 4.  GCPS  T63T21, 5. CanCM3-AGCM3, 6. METRI AGCM L 17, 7. NASA-GSF C  L34, 8. PNU. Here is  Taylor chart f o r G C M mod e l at Cike dun g and Ci dem pet rainfall st ation as  sho w n in Figure 5.        Figure 5. Taylor Ch art for G C M Mod e l       Based  on th e cha r t in Fi gure  5, it wa s kn own that  Cike dun g ra infall station  wa s at  stand ard d e viation about ±44 and RMS E  value ±30.  The 1 model  wa s potentiali ty to be  the best   model  in thi s   locatio n  if it  compa r ed  to a nother mo del  whil e  Cidem pet rainfall  st ation  wa s at   ±36   stand ard d e viation. The 1  model be ca me the bes t  model in this location if it compa r ed  to  anothe r mo d e l. But, the 1 model at  Cid e mpet  stat ion  wa s not a s  b e tter a s  1 mo del at Ci ke du ng   station, it wa s ca used  by the 1 mod e l a t  Cidemp e t station ha s ±3 2  RMSE value .  The overall  of  linear  ke rnel f unctio n  wa s b e tter than RB F kernel fun c tion.           Cikedu ng Station  Cidem pet Station  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Do wn scaling  Modelin g Usi ng Suppo rt Vector  Reg r e s sion for  Rainf a ll Predi ction  (Sanu si)  6429 4. Conclu sion   To sum it up,  the models which were resulted  to predict the  rainfall  in dry  season will be  better if it loo k ed f r om the   averag e of p r edictio n  re sul t  or the e r ror  averag e. The  best  co rrel a tion   value wa s ob tained at Cikedun g rainfal l  stat ion in 0.744 correlati on value and  23.937 RMS E   while  the l o we st line a r  kernel fu ncti on  wa s g a in ed at  Cid e m pet rainfall  station in  0.4 0 1   correl ation va lue an d 3 6 .9 64  RMSE. T he  kernel  fu n c tion  of RBF  wa s n o t incl u ded to t he b e st  function b e ca use the  re sult  predi ction  was lo we r  than  linear  ke rnel  function. It ca n be seen fro m   the correl atio n value or RMSE on RBF kernel fun c tio n .  Sugge stion  to the  next  rese arch,  do wn scaling  m odel  of G C M mod e l  dat a can  be  applie d in order to p r edi ct  the rainfall i n  dry sea s on  by using Su pport Ve ctor  Reg r e ssi on.  The   utilization   of GCM   gri d  ca n  be   u s e d   b e s ide s  gri d   of  7x7.  The   a c cura cy wa s no t high yet, and  then the   sele ction  of pa ra meter val u e s  for  ea ch  ke rnel fun c tion   need s to  be   perfo rmed   with  other optimi z ation tech niq ues.       Referen ces   [1]  Karamo uz M,  F a lla hi M, N a zif S, F a raha n i ,  RM. Lo ng  L ead  Ra infal l  P r edicti on Us in g Statistica l  Do w n sc al ing   a nd  Artifici al Ne ural Net w ork  Mode lin g.  Arch ive of SID. S h arif  Un iversity of  Techn o lo gy .  200 9; 16( 2): 1 65-1 72.   [2]  Che n  T S , Yang CT , Kuo MC,  Kuo  HC, Yu  S P . Proba bi l i stic  Drou ght F o r e c a sting  in  South e rn T a i w a n   Using E l  Niñ o- Souther n Oscill ation Ind e x .  T e rr. Atmos. Ocean. Sci.  201 3; 24(5): 91 1-9 2 4 .   [3]  Ashok K, Guan  Z ,  Yamagata T .   A Look at th e Rel a tions hi p betw een the E N SO and the Indi an Ocea n   Dipo l e . J Mete orol ogic a l Soci et y .  20 03; 18( 1 ) : 41-56   [4]  Evana L, Effen d y  S, Herm a w an E. Peng em ban ga n Mode l Prediksi  M add en Jul i an Oscil l atio n  (MJO)   Berbas is p a d a   Hasil  An alis is  Data  Rea l  Ti me Mu ltivari a te  MJO  (RMM1 dan RMM2).  J. Agrom e t.  20 08;  22 (2): 144- 15 9.  [5]  Z e in. Pemod e l an Back prop agati on Ne ura l  Net w orks d an Prob abi listi c Neura l  Net w o r k untu k   Pend ug aan A w a l  Mus i m Hu j an Ber dasark a n Indeks Ik lim  Globa l. T hesis. Bogor: Postgr adu ate Bo gor   Agricult ure Un i v ersit y ;  20 06.   [6]  Estinin g t y as W .  Peng emb ang an M o d e l As ur ansi  Ind e ks Ikli m untuk  Me nin g katkan  Keta h ana n P e tan i   Padi  da lam   Meng had ap i P e rub aha n Ikl i m . Dissertat i o n. Bog o r: Pos t gradu ate B o g o r Agric u ltur e  Univers i t y ;  20 12   [7]  Villa ges RJ, Ja rvis A. Do w n sc alin g Glob al Ci rc ulati on Mod e l  Outputs:  T he  Delta Meth od  Decisi on a n d   Polic y An al ysi s  W o rking.  J   Centro Inter n a t iona l de A g ri cultura T r op ic al Intern ation a l  Center fo r   T r opical A g ricu lture . 201 0; 1: 1-18.   [8]  Liu Y, Fan K.  A Ne w  Statisti cal Do w n sca lin g Mode l for Autumn Preci p it ation i n  Chi na.   J. Climato l .  2012; DOI: 10.100 2/joc.3514.   [9]  Kann an S, Gh osh S. Pred icti on of d a il y ra in fall stat e in  a ri ver basi n  usi n g  statistical do wnscali ng from   GCM output. Sprin ger, Dep a rtment of Civil E ngi neer in g,  Indian Institute of T e chnolog y Bo mba y . In dia ,   Spin ger. 20 10; DOI 10.100 7/s004 77-0 10- 04 1 5 - y .    [10]  F aqih  A. R a inf a ll  Vari abi lit y i n  the  Austra l-I ndo nesi a n  Re gio n  a n d  the   Role  of I ndo-P a cific C lim at e   Drivers. Disser t ation Un iversit y  of South e rn  Queens la nd. 2 010.   [ 1 1 ]   Buon o  A, F a qih  A, Boe r   R ,  San t i k a y asa  IP,  R a madha n  A,  Mu ttaq ien  MR ,  Asy har A. A   N e u r al   N e t w o r k   A r c h it e c ture  for   S t atist i ca l  D o w n scali n g T e chni que: A C a s e  S t ud y   in I n d r a m a y u  D i st rict . Public atio n i n   Inte rnati ona l C onference ,  T h e Qual it y  I n fo rmation for  C o mpe t i t i v e Agr i cultur al  Bas ed Prod ucti o n   System a nd C o mme r ce ( A F I T A ) . 2010.  [12]  W i gen a HA. P e mod e la n stati s tical d o w n scal i ng  de ng an r e g r essio n  pr ojecti on  persu it unt u k  peram al a n   curah  huj an (k asus cura h h u j an b u l ana n di  Indram a y u).  Dissertati on. B ogor: Postgr ad uate Bo gor   Agricult ure Un i v ersit y . 2 006.   [13] Sutikno.  Statistical Dow n sc ali n g   Lu ara n  GCM dan Pe ma nfaatan nya u n tu k Peramal an P r oduks i  Padi .   Dissertati on. Bogor: Postgra d uate Bo g o r Agr i cultur e Univ er sit y . 20 08.   [14]  Smola  A, Schö lkopf B. A  T u torial  on  Sup port  Vector R egres sion. N eur oCO L T ,   Technical  Rep o rt     NC- T R -98-0 3 0 , Ro ya l Hol l o w a y  C o lle ge, Un ivers i t y  of Lo nd on, UK. 2004; 1 9 9 –22 2.  [15]  Arampo ngsa n u w at   S,  Me e s ad  P. Pred i c ti on o f  PM 10  usi n g  Sup port V e cto r  Regr essi on. I n ternati o n a l   Confer ence  on  Information a n d  Electron ics Engi neer in g, IACSIT  Press. Si nga pore. 2 011;  6.    [16]  An KH,  Heo Jin Y, Hameed  SN.  CLIK  2.0  CLi m at e Infor m ati o n  tool  Kit  User M a n ual . APEC  Climat e  Center. 20 10.   [17]  Xi e P, Yata ga i  A, Chen  M, Ha yas a ka T ,  F u kushim a Y, Li u  C, Yang  S. A g aug e-bas ed an al ysis of  da il y  preci p itatio n ov er East Asia.  Journ a l of Hydr ometeor olo g y.  200 8; (8): 607- 627.   [18]  Chen MW, Shi P, Xie VBS,  Silva VE, K o usk y   R, Higgins W, Jano w i ak  JE. Assess ing  objective  techni qu es for gaug e-b a sed  anal ys es  of glo bal d a i l y   pr ecipit ation.  J. Geophys . 20 08 . R e s. 1 1 3 ,  D04 110, d o i:10 .1029/2 0 0 7 JD0 091 32.   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  642 3 –  6430   6430 [19]  Che n  M, Xie  P.  CPC Un ifie d Gaug e-b a se d Ana l ysis  of Globa l Da ily P r ecipit ation . W e stern Pac i fi c   Geoph ys ics Meetin g, Cair ns, Australi a.  200 8 .   [20]  T a y l or KE. S u mmarizin g  mu l t iple  asp e ct of  m ode l p e rfor mance  in  a s i ngl e d i agr am.  J Geop h y sica l     Rese arch: Atmosph e res. 20 0 1 ; 106(D 7 ): 71 83-7 192.           Evaluation Warning : The document was created with Spire.PDF for Python.