Pemodelan Statistical Downscaling Menggunakan Combine Clusterwise Regression untuk Pendugaan Curah Hujan Harian

Abstract

Indonesia merupakan negara maritim dan mempunyai iklim tropis dengan sebagian besar penduduk Indonesia bekerja di sektor pertanian. Informasi tentang curah hujan sangat berguna bagi para petani untuk menentukan waktu tanam dan jenis tanaman, sehingga hasil pertanian yang diperoleh menjadi optimal. Informasi curah hujan juga digunakan dalam memprediksi curah hujan, akan tetapi topografi dan atmosfir yang kompleks mempersulit prediksi curah hujan di wilayah Indonesia. Metode Statistical Downscaling (SD) merupakan teknik analisis statistik yang dapat digunakan untuk memprediksi curah hujan. Metode SD menggambarkan hubungan data curah hujan berskala lokal sebagai peubah respon dengan data berskala global GCM sebagai peubah prediktor. Data GCM berukuran 6×6 grid berpotensi mengandung multikolinearitas. Multikolinearitas dapat diatasi dengan teknik pereduksian dimensi, seleksi peubah atau penyusutan koefisien. Regresi gerombol merupakan metode analisis yang dilakukan untuk mengelompokkan curah hujan. Pengelompokan dilakukan untuk meminimumkan keragaman yang terjadi pada data curah hujan. Penelitian metode SD dengan regresi gerombol dalam pendugaan curah hujan telah dilakukan sebelumnya. Metode yang digunakan antara lain regresi gerombol sebaran Gamma, regresi gerombol sebaran Tweedie, dan regresi gerombol yang dibandingkan dengan metode Regresi Komponen Utama (RKU) dan Regresi Kuadrat Terkecil Parsial (RKTP). Hasil dari penelitian tersebut regresi gerombol menghasilkan nilai Root Mean Square Error Prediction (RMSEP) yang terkecil. Penelitian yang dilakukan merupakan kajian lanjutan regresi gerombol dengan model yang berbeda-beda di setiap gerombol selanjutnya disebut combine cluster model. Penelitian ini terbagi ke dalam dua kajian yaitu kajian simulasi dan kajian penerapan. Pada kajian pertama yaitu simulasi regresi gerombol dengan kombinasi model Principal Component Regression (PCR), Elastic-net Regression, dan Support Vector Regression (SVR). Kajian kedua yaitu penerapan regresi gerombol pada data curah hujan harian pada empat pos hujan di Jawa Barat, yaitu Bogor, Bandung, Citeko, dan Jatiwangi dari tahun 2010 hingga 2019. Pada tahapan simulasi regresi gerombol menggunakan dua kelompok. Hal ini dilakukan untuk melihat kemampuan regresi gerombol dalam mengelompokkan data sesuai dengan model asalnya. Simulasi dua kelompok memiliki tiga skenario dengan model (PCR dan Elastic-net), (PCR dan SVR), dan (Elastic-net dan SVR). Struktur korelasi pada data simulasi masing-masing peubah prediktor berkisar 0,8 sampai 0,9 yang artinya memiliki korelasi tinggi. Hasil simulasi menunjukkan regresi gerombol dengan kombinasi model di setiap kelompok tersebut mampu membentuk gerombol dengan tepat dan sesuai dengan karakteristik data sebenarnya. Penerapan regresi gerombol pada curah hujan harian di pos hujan Bogor, Bandung, Citeko, dan Jatiwangi dilakukan pemodelan tanpa penggerombolan (PCR, Elastic-net, dan SVR) dan penggerombolan Regresi gerombol memberikan nilai RMSEP lebih kecil dibandingkan dengan tanpa penggerombolan. Pendugaan pada regresi gerombol menggunakan dua dan tiga gerombol. Hasil menunjukkan tiga gerombol memberikan nilai RMSEP lebih baik dari dua gerombol. Model terbaik untuk masing-masing pos hujan memiliki kombinasi model yang berbeda-beda untuk setiap gerombolnya. Pos hujan Bandung memiliki model terbaik yaitu satu kelompok model Elastic-net dan dua kelompok model SVR. Model terbaik pos hujan Bogor terdiri dari model Elastic-net di setiap kelompok. Pos hujan Citeko memiliki model terbaik yaitu dua kelompok model Elastic-net dan satu kelompok model SVR. Pos hujan Jatiwangi memiliki model terbaik yaitu dua kelompok model PCR dan satu kelompok model SVR.