Penerapan Biweight Midcovariance dan Robust Singular Value Decomposition untuk Menangani Pencilan pada Data Curah Hujan

Abstract

Data iklim dan cuaca merupakan data yang berpotensi mengandung pencilan karena dipengaruhi oleh fenomena-fenomena alam yang sulit untuk diprediksi. Oleh karena itu penerapan metode analisis yang kekar terhadap data iklim dan cuaca sangat diperlukan untuk mengatasi pencilan tersebut. Curah hujan adalah contoh data iklim dan cuaca yang paling umum. Salah satu metode yang biasa digunakan dalam mengolah data curah hujan adalah metode Statistical Downscaling (SD). Kombinasi antara metode Singular Value Decomposition (SVD) dan Analisis Regresi Peubah Ganda dapat digunakan dalam proses SD untuk memprediksi curah hujan. SVD digunakan untuk mereduksi dimensi data yang besar dan menghilangkan efek spasial dalam data, sedangkan Analisis Regresi Peubah Ganda digunakan untuk melakukan prediksi dari hasil penguraian SVD. Pada kenyataannya metode tersebut menghasilkan prediksi yang kurang tepat ketika data mengandung pencilan. Biweight Midcovariance (Bicov) dan Robust SVD merupakan dua metode kekar yang dapat diterapkan pada metode SVD tersebut. Kedua metode tersebut memiliki cara yang berbeda untuk mengatasi pencilan pada data. Bicov berusaha menyusun matriks peragam silang yang kekar dengan menggunakan median sedangkan Robust SVD berusaha menguraikan matriks peragam silang menggunakan median terboboti dan proses iteratif. Hasil penelitian ini menunjukkan bahwa metode SVD bicov memiliki hasil penguraian matriks peragam silang yang konsisten. Sedangkan Robust SVD memiliki hasil penguraian yang sama dengan SVD klasik karena matriks yang diuraikan bukan matriks data awal yang memiliki pencilan tetapi matriks peragam silang. Hasil prediksi ketiga metode memiliki kemampuan yang sama. Hal ini dapat dilihat pada nilai RMSEP dan korelasi antara nilai prediksi dengan nilai aktual yang dihasilkan ketiga metode cenderung sama.