Pemodelan Regresi Kuantil Bayes untuk Pendugaan Curah Hujan Ekstrim di Jawa Barat
View/ Open
Date
2019Author
Hendri, Eko Primadi
Wigena, Aji Hamim
Djuraidah, Anik
Metadata
Show full item recordAbstract
Regresi linear sederhana sering digunakan untuk mendapatkan hubungan
fungsional antar dua peubah atau lebih dan juga dapat memprediksi pengaruh
peubah respon terhadap peubah penjelas. Ketika data yang digunakan tidak
simetris, regresi linear sederhana kurang tepat digunakan dikarenakan nilai dugaan
sensitif terhadap pencilan. Oleh karena itu dikembangkan metode regresi kuantil
(RK) yang dapat digunakan menganalisis sejumlah data yang tidak simetris.
Pendugaan parameter RK dapat ditentukan dengan metode Bayes, regresi
kuantil Bayes (RKB). RKB berdasarkan sebaran Laplace asimetrik sehingga untuk
mendapatkan pendugaan paramater dari sebaran posterior menggunakan metode
Markov Chain Monte Carlo (MCMC).
RK dapat diterapkan pada statistical downscaling (SD) untuk menganalisis
data-data curah hujan ekstrim karena RK dapat mengukur efek peubah penjelas
tidak hanya di pusat sebaran data, tetapi juga pada bagian atas dan bawah ekor
sebaran. SD merupakan suatu teknik yang menggunakan metode statistika untuk
melihat hubungan data yang berskala global dengan data berskala lokal. Data
berskala global yaitu data luaran global climate model (GCM) dan data berskala
lokal yaitu data curah hujan bulanan. Data luaran GCM yaitu berdimensi banyak
sehingga terjadi multikolinearitas yang akan menyebabkan dugaan parameter
untuk setiap model menjadi bias. Hal ini dapat diselesaikan dengan least absolute
shrinkage and selection operator (LASSO).
Jawa Barat memiliki luas sebesar 35 ribu km2 dengan kawasan utara
merupakan daerah dataran rendah dan kawasan selatan merupakan daerah dataran
tinggi. Rata-rata curah hujan bulanan di Jawa Barat sebesar 184.7 mm/bulan pada
tahun 2016. Adanya perbedaan ketinggian mengakibatkan perbedaan intensitas
curah hujan, sehingga dibutuhkan sebuah analisis untuk memperoleh prediksi
curah hujan yang akurat untuk mencegah kejadian ekstrim yang dapat
mengakibatkan kerugian di bidang pertanian.
Data yang digunakan pada tahun 1981-2009. Data curah hujan
dikelompokan berdasarkan ketinggian dataran yaitu dataran rendah memiliki
ketinggian 0-200 mdpl dan dataran tinggi memiliki ketinggian lebih dari 200 mdpl
sebagai peubah respon. Data luaran GCM adalah data presipitasi bulanan Climate
Forecas System Reanalysis (CFSR) dengan ukuran grid 2:50 2:50 pada domain
5 8 grid atau 40 grid sebagai peubah penjelas.
Curah hujan ekstrim yaitu intensitas curah hujan bulanan lebih besar dari 400
mm/bulan. Oleh karena itu, di Jawa Barat, curah hujan ekstrim terjadi pada bulan
Januari dan Februari di dataran rendah. Di dataran tinggi, curah hujan ekstrim terjadi
di bulan Oktober - April.
Model RKB di dataran rendah memiliki nilai RMSE terkecil dari pada nilai
RMSE dari model RKB di dataran tinggi. Model RKB di dataran rendah memiliki
nilai korelasi tertinggi dari pada nilai korelasi dari model RKB di dataran tinggi.
Oleh karena itu, model RKB di dataran rendah lebih baik dari pada model RKB di
dataran tinggi.
Untuk prediksi model RKB di dataran rendah memiliki nilai RMSEP terkecil
dari pada nilai RMSEP dari model RKB di dataran tinggi. Model RKB di dataran
rendah memiliki nilai korelasi tertinggi dari pada nilai korelasi dari model RKB di
dataran tinggi. Oleh karena itu, model RKB di dataran rendah lebih baik dari pada
model RKB di dataran tinggi dalam hal prediksi.
Di dataran rendah, curah hujan di bulan Januari dapat diprediksi dengan
model kuantil 0.95. Curah hujan ekstrim di bulan Februari dapat diprediksi dengan
model kuantil 0.99. Di dataran tinggi, Curah hujan ekstrim di bulan Januari dan
November dapat diprediksi dengan model kuantil 0.99. Curah hujan ekstrim di
bulan Febuari dan April dapat diprediksi dengan model kuantil 0.95. Curah hujan
ekstrim di bulan Maret dan Desember dapat diprediksi dengan model kuantil 0.90.
Model RKB di dataran rendah dan tinggi memiliki akurasi yang relatif lebih baik
dalam menghasilkan nilai prediksi dalam satu tahun ke depan.