Statistical Downscaling Dengan Sebaran Pareto Terampat Untuk Prediksi Curah Hujan Ekstrim (Studi Kasus Curah Hujan Kabupaten Indramayu Tahun 1979-2008).
View/ Open
Date
2016Author
Kinanti, Shynde Limar
Wigena, Aji Hamim
Djuraidah, Anik
Metadata
Show full item recordAbstract
Indonesia memiliki iklim tropis dengan keragaman suhu kecil, namun keragaman curah hujan cukup besar, sehingga curah hujan merupakan unsur iklim yang penting untuk diamati terkait dengan perubahan iklim. Perubahan iklim dapat meningkatkan kejadian curah hujan ekstrim yang berdampak banjir, sehingga merendam lahan pertanian. Oleh karena itu, untuk mengantisipasinya diperlukan informasi dini mengenai prediksi curah hujan ekstrim, antara lain dengan statistical downscaling. Statistical Downscaling (SD) digunakan untuk memodelkan hubungan antara data berskala global dengan data berskala lokal yaitu antara data luaran Global Circulation Model (GCM) dengan data curah hujan di stasiun cuaca. Namun dalam pemodelan SD ini perlu memperhatikan curah hujan ektrim. Penentuan nilai ekstrim dapat dilakukan menggunakan blok maksima yang nilainya akan mengikuti sebaran nilai ekstrim terampat (generalized extreme value, GEV). Namun metode ini tidak efektif karena akan banyak pengamatan terbuang, sehingga penentuan nilai ekstrim dilakukan dengan nilai ambang (threshold). Nilai-nilai di atas nilai ambang akan mengikuti Sebaran Pareto Terampat (Generalized Pareto Distribution, GPD). Tujuan penelitian ini adalah memodelkan data curah hujan dengan data luaran GCM menggunakan regresi Sebaran Pareto Terampat (GPD) untuk memprediksi curah hujan ekstrim di wilayah Kabupaten Indramayu. Penelitian ini, menggunakan data curah hujan lokal di kabupaten Indramayu dari tahun 1979 sampai tahun 2008 sebagai peubah respon. Data luaran GCM pada posisi wilayah 1.25°LS-18.75°LS dan 101.25°BT-118.75°BT, yang terdiri dari 8×8 grid. Data luaran GCM memiliki karakteristik non linier, berdimensi tinggi, dan multikolinieritas sehingga diperlukan analisis komponen utama (AKU). Pada regresi GPD, komponen utama merupakan peubah prediktor. Data dibagi menjadi dua, yaitu data tahun 1979-2007 sebagai data training untuk menyusun model dan data tahun 2008 sebagai data testing untuk validasi model. Data training dibagi berdasarkan empat musim yaitu, musim hujan (Desember, Januari, Februari), peralihan musim hujan-kemarau (Maret, April, Mei), kemarau (Juni, Juli, Agustus), peralihan kemarau hujan (September, Oktober, November). Penentuan batas ambang menggunakan Mean Residual Life Plot (MRLP). Nilainilai di atas batas ambang diuji kesesuaian sebarannya dengan uji Kolmogorov- Smirnov. Pendugaan parameter pada regresi GPD menggunakan metode kemungkinan maksimum dengan metode optimasi Nelder-Mead. Jumlah komponen yang digunakan sebanyak 4 komponen dengan tingkat keragaman sebesar 96.6%. MRLP menghasilkan batas ambang sebesar 145 untuk keseluruhan data. Pada pembagian empat musim diperoleh nilai ambang untuk bulan hujan (Des, Jan, Feb) sebesar 145, bulan peralihan hujan-kemarau (Mar, Apr, Mei) sebesar 100, musim kemarau (Jun, Jul, Agu) sebesar 10 dan musim peralihan kemarau-hujan (Sep, Okt, Nov) sebesar 45. Hasilnya menunjukkan bahwa model terbaik adalah model yang membagi empat musim dengan nilai RMSEP terkecil untuk kuantil 75, 90, 95 adalah 78.71, 93.63, 106.54. Hasil yang diperoleh menunjukan bahwa prediksi curah hujan ekstrim di Kabupaten Indramayu pada bulan Januari tidak mengikuti pola aktualnya, namun secara umum pola hasil dugaan mirip dengan pola data aktualnya. Musim peralihan dan musim kemarau dapat diprediksi dengan baik di bawah kuantil 75. Model ini dapat memprediksi curah hujan ekstrim dengan baik pada bulan Februari yang merupakan puncak hujan pada tahun 2008. Curah hujan bulan Februari diprediksi pada kuantil ke-95 dengan nilai 453.23 mm/bulan. Model tersebut dapat menduga curah hujan ekstrim dengan baik untuk pendugaan satu tahun kedepan dan model ini merupakan model yang konsisten.