Pendugaan Curah Hujan Harian melalui Pemodelan Dua Tahap dengan Klasifikasi Bagging dan Boosting pada Statistical Downscaling.

Abstract

Indonesia merupakan salah satu negara yang berada di wilayah khatulistiwa dan mempunyai iklim yang tropis, dimana bidang pertanian memiliki peranan besar dalam perekonomian penduduknya. Penelitian tentang pendugaan curah hujan dapat dimanfaatkan untuk menunjang keberhasilan perekonomian pada bidang pertanian di Indonesia. Pendugaan curah hujan salah satunya dapat dilakukan dengan teknik Statistical Downscaling (SD). SD adalah teknik untuk mendapatkan model yang dapat menganalisis hubungan antara data global skala besar dan data lokal skala kecil. Teknik SD dapat digunakan untuk memprediksi data curah hujan lokal dengan menggunakan data keluaran Global Clmate Model (GCM) sebagai data global berskala besar. Pendugaan curah hujan bulanan menggunakan teknik SD melalui pemodelan dua tahap dengan metode klasifikasi telah dilakukan sebelumnya. Metode klasifikasi yang telah digunakan antara lain yaitu regresi linier gerombol, CART, regresi logistik biner, dan regresi logistik ordinal. Hasilnya, pendugaan curah hujan bulanan dengan pemodelan dua tahap menghasilkan nilai Root Mean Square Error of Prediction (RMSEP) yang lebih kecil jika dibandingkan dengan pemodelan langsung menggunakan Regresi Kuadrat Terkecil Parsial (RKTP), namun akurasi klasifikasi yang dihasilkan masih berkisar antara 55% sampai dengan 60%. Dalam penelitian ini, teknik SD dalam pemodelan dua tahap dengan klasifikasi digunakan untuk memprediksi data curah hujan harian. Tahap pertama, kekuatan metode Bagging dan Boosting dalam klasifikasi digunakan untuk menentukan kelompok curah hujan. Tahap kedua, RKTP digunakan untuk memprediksi curah hujan di setiap kelas. Kemampuan model diuji di empat stasiun yang terletak di Provinsi Jawa Barat, yaitu Bandung, Bogor, Citeko dan Jatiwangi. Metode klasifikasi Bagging dan Boosting merupakan metode Ensemble Learning, dimana dalam pengambilan keputusannya menggunakan konsep majority vote, sehingga akurasi yang dihasilkan lebih besar. Bagging membuat pohon klasifikasi lengkap pada setiap iterasinya dengan mengambil contoh acak dengan pengembalian (bootstrap) yang kemudian melakukan agregasi (aggregating) pada pengambilan keputusan akhir. Boosting melakukan pembobotan dengan merubah weak learner menjadi strong learner pada setiap iterasinya. Dengan meningkatnya nilai akurasi, diharapkan nilai kebaikan model yang didapat menjadi semakin baik. Ukuran kebaikan model yang digunakan yaitu RMSEP sebagai ukuran penyebaran dan Koefisien Keragaman (KK) sebagai ukuran pemusatan. Semakin kecil nilai RMSEP dan KK yang dihasilkan maka model pendugaan curah hujan yang didapat akan semakin baik. Hasil awal pendugaan dua tahap dengan akurasi 100% menghasilkan nilai RMSEP dan KK yang lebih kecil jika dibandingkan dengan hasil pendugaan satu tahap langsung dengan RKTP. Terdapat empat tipe pengelompokan yang digunakan pada penelitian ini, yaitu pengelompokan hujan dan tidak hujan, curah hujan (CH) ≤ 5 mm/hari dan CH > 5 mm/hari, CH ≤ median dan CH > median, serta CH ≤ rataan dan CH > rataan. Pada pendugaan dua tahap dengan klasifikasi, terdapat kasus ketidakseimbangan data di beberapa pengelompokan curah hujan. Oleh karena itu, terlebih dahulu dilakukan penanganan data tidak seimbang menggunakan metode Synthetic Minority Oversampling Technique (SMOTE). Hasilnya, SMOTE dapat lebih menyeimbangkan jumlah amatan dan proporsi pada setiap kelompok dengan data tidak seimbang. Selisih antara sensitivitas dan spesifisitas juga menjadi lebih kecil. Hasil yang diperoleh dari validasi silang 5 lipatan dengan 2 pengulangan menunjukkan bahwa pengelompokan hujan dan tidak hujan memiliki hasil klasifikasi yang lebih unggul, meskipun pada pemodelan dua tahap awal, pengelompokan yang lebih unggul adalah kategori kelompok dengan batas rataan. Pemodelan klasifikasi Boosting lebih unggul di area Bandung dan Citeko, yaitu dengan akurasi, RMSEP, dan KK masing-masing bernilai 0.76, 13.76 dan 166.79% pada area Bandung, serta 0.76, 16.71 dan 164.63% pada area Citeko. Metode Bagging lebih unggul di area Bogor dan Jatiwangi, yaitu dengan akurasi, RMSEP, dan KK masing-masing bernilai 0.75, 20.56 dan 160.79 pada area Bogor, serta 0.76, 16.96 dan 214.26% pada area Jatiwangi.