Pemodelan Hybrid Analisis Spektrum Singular dan Support Vector Regression untuk Prediksi Curah Hujan di Indonesia
Abstract
Indonesia merupakan negara yang rentan terhadap bencana alam dan lebih dari 78% merupakan bencana hidrometeorologi. Salah satu penyebab terjadinya bencana hidrometeorologi adalah curah hujan yang berlebih atau berkurang sehingga prediksi hujan sangat diperlukan untuk menyusun perencanaan dan pengambilan keputusan dalam manajemen risiko bencana. Pendekatan dalam pemodelan curah hujan telah banyak dilakukan seperti ARIMA, Support Vector Regression (SVR), dan Analisis Spektrum Singular (ASS). Saat ini banyak dikembangkan pemodelan hybrid guna meningkatkan keakuratan prediksi. Dalam penelitian ini digunakan model hybrid ASS-SVR untuk pemodelan curah hujan pada tiga lokasi yang mewakili tipe curah hujan di Indonesia antara lain Kemayoran dengan tipe hujan monsunal, Supadio dengan tipe hujan ekuatorial, dan Pattimura dengan tipe hujan lokal. Dalam model hybrid, metode ASS digunakan untuk menguraikan dan mengidentifikasi komponen yang terkandung dalam data deret waktu curah hujan. Selain metode ASS konvensional, digunakan juga metode ASS Auto (ASS-A) yang menggunakan metode gerombol pautan rata-rata dalam tahap pengelompokan. Selanjutnya, metode SVR digunakan untuk pemodelan dan prediksi curah hujan.
Data yang digunakan dalam penelitian ini adalah data curah hujan bulanan dari tiga stasiun yaitu Kemayoran, Supadio, dan Pattimura. Rentang data yang digunakan pada masing-masing stasiun antara lain Stasiun Kemayoran dari tahun 1980-2020, Stasiun Supadio 1981-2020, dan Stasiun Pattimura 2001-2020. Data hujan dibagi menjadi dua yaitu data latih (±90%) dan data uji (±10%). Selain pemodelan hybrid, dilakukan juga pemodelan nonhybrid sebagai pembanding menggunakan metode ASS, metode SVR, dan metode ARIMA. Dalam pemodelan hybrid, data latih dibagi menjadi 2 yaitu data latih hybrid (±80%) dan data validasi hybrid (±10%). Hal ini dilakukan untuk mengoreksi hasil penguraian metode ASS atau metode ASS-A yang memiliki ketergantungan dengan data setelahnya jika dilakukan secara sekaligus. Setelah diperoleh model penguraian yang optimal, data validasi hybrid dan dan data uji diterapkan secara sekuensial pada model tersebut.
Hasil penguraian data curah hujan dengan metode ASS diperoleh komponen tren, musiman/siklus dengan periode tertentu, dan noise. Hasil penguraian pada Stasiun Kemayoran diketahui terdapat komponen tren, komponen musiman (periode 4, 6, 8, dan 12 bulan), komponen siklus (periode 2-3 tahun) dan noise. Hasil penguraian pada Stasiun Supadio diperoleh komponen tren, komponen musiman pertama (periode 2,4; 6, dan 12 bulan), komponen musiman kedua (periode 2 bulan), dan noise. Hasil penguraian pada Stasiun Pattimura teramati komponen tren, komponen musiman (periode 6 dan 12 bulan), komponen siklus (periode 2-3 tahun), dan noise. Hasil penguraian curah hujan dengan metode ASS-A diperoleh hasil yang tidak berbeda signifikan dengan metode ASS sehingga metode ASS-A dapat menjadi koreksi untuk hasil penguraian dengan metode ASS.
Hasil penguraian komponen curah hujan dengan metode ASS pada tiga stasiun mampu menangkap berbagai pengaruh global dan regional pada curah hujan di Indonesia. Pengaruh global yang bersifat interannual seperti ENSO dan IOD hanya terlihat pada pola hujan monsunal (Kemayoran) dan pola hujan lokal (Pattimura). Pengaruh tersebut lebih besar terlihat pada pola hujan dengan tipe lokal dibandingkan tipe monsunal, sedangkan pada pola hujan ekuatorial (Supadio) tidak terlihat adanya pengaruh global yang bersifat interannual tersebut.
Metode SVR dalam pemodelan hybrid digunakan untuk pemodelan dan prediksi curah hujan. Peubah bebas diperoleh dari beberapa lag signifikan dari tiap komponen hasil penguraian metode ASS (ASS-A) dan peubah responnya berupa curah hujan ke-t+1. Data latih hybrid dan data validasi hybrid digabungkan untuk membangun dan melatih model SVR. Algoritma grid search digunakan untuk mencari parameter yang optimal pada fungsi kernel linear, polinomial dan RBF. Model SVR dengan parameter yang optimal diterapkan pada data uji untuk menghitung nilai RMSEP, NRMSEP, dan korelasi. Perbandingan hasil pemodelan hybrid menggunakan model ASS-SVR dengan model ASS-A-SVR menunjukkan tidak terdapat perbedaan hasil yang signifikan pada kedua model tersebut. Hasil perbandingan nilai RMSEP dan NRMSE model hybrid dengan model nonhybrid menunjukkan nilai RMSEP dan NRMSEP model hybrid lebih kecil dibandingkan model nonhybrid. Hal ini berarti hasil peramalan pada model hybrid paling mendekati dengan data aktual. Hasil peramalan dengan model terbaik (model hybrid) pada Stasiun Kemayoran dan Stasiun Pattimura mampu mendekati data aktual dengan tingkat kesalahan yang cukup kecil, sedangkan hasil prediksi pada Stasiun Supadio cenderung berada pada nilai tengah dan kurang bisa mendekati titik puncak data aktual. Hal ini diduga karena curah hujan pada Stasiun Supadio lebih fluktuatif dan tidak ada perbedaan yang jelas antara musim kemarau dengan musim hujan pada pola hujan ekuatorial.