Pemodelan Statistical Downscaling Dengan Regresi Kuantil Menggunakan Lasso Untuk Pendugaan Curah Hujan Ekstrim

Abstract

Curah hujan ekstrim yang sering terjadi di Indonesia menimbulkan berbagai dampak negatif, diantaranya yang berkaitan dengan bidang pertanian. Tanaman padi merupakan tanaman yang rentan terhadap kejadian ekstrim yaitu El-Nino dan La-Nina. Oleh karena itu pemodelan curah hujan diperlukan untuk meminimumkan dampak yang terjadi. Model-model untuk menganalisa curah hujan sudah banyak diterapkan di antaranya global circulation model (GCM). Data luaran GCM adalah data hasil simulasi komputer yang memanfaatkan kaidah fisika, kondisi lautan, dan perubahan iklim pada atmosfer bumi dan dapat merepresentasikan unsur – unsur iklim pada masa lampau, saat ini dan di masa yang akan datang. Data luaran GCM masih berskala global, sehingga akan sulit untuk menjelaskan keragaman dalam skala lokal yang lebih rinci. Hal ini berdampak pada rendahnya tingkat akurasi prediksi curah hujan yang dihasilkan. Statistical Downscaling (SD) diyakini dapat menangani permasalahan tersebut. Metode ini menghubungkan antara data luaran GCM dan curah hujan untuk menduga perubahan pada skala lokal dengan menggunakan metode regresi. Regresi kuantil merupakan salah satu metode yang dapat digunakan untuk menganalisis pola terjadinya curah hujan ekstrim. Regresi kuantil dapat mengukur efek peubah penjelas tidak hanya di pusat sebaran data, tetapi juga pada bagian atas atau bawah ekor sebaran. Kelebihan lain dari regresi kuantil adalah sangat efisien jika sisaan tidak menyebar normal dan kekar terhadap adanya pencilan. Data luaran GCM yang memiliki multikolinearitas tidak dapat langsung diterapkan dalam model SD. Metode-metode yang dapat digunakan untuk mengatasi masalah multikolinearitas dalam SD antara lain metode analisis komponen utama (AKU), metode shrinkage seperti Least Absolute Shrinkage and Selection Operator (LASSO) dan ridge. Metode AKU paling sering digunakan dalam mereduksi dimensi data luaran GCM dan menangani masalah multikolinearitas. Metode shringkage selain dapat menghilangkan multikolinearitas juga dapat meminimumkan ragam penduga parameter dari model regresi. Tujuan penelitian ini adalah menentukan model curah hujan ekstrim di Kabupaten Indramayu dengan pendekatan SD menggunakan metode regresi kuantil dengan LASSO dan AKU serta memilih model SD terbaik dari kedua metode yang digunakan tersebut. Peubah respon yang digunakan adalah data rata-rata curah hujan bulanan yang diperoleh dari 11 stasiun klimatologi di Kabupaten Indramayu pada tahun 1979-2008. Peubah prediktor (GCM) yang digunakan adalah data curah hujan bulanan Climate Model Intercomparison Project (CMIP5) yang dikeluarkan oleh KNMI, Belanda pada tahun 1979 sampai dengan 2008 dengan posisi wilayah –18.75o – 1.25oLS dan 101.25o – 116.25oBT. Analisis data yang dilakukan meliputi pemodelan regresi kuantil dengan penalti LASSO dan pemodelan regresi kuantil dengan AKU. Hasil penelitian menunjukkan bahwa dugaan curah hujan ekstrim di kabupaten Indramayu dengan model SD menggunakan regresi kuantil dengan LASSO menghasilkan prediksi yang lebih konsisten terhadap berbagai selang waktu dugaan dibandingkan model yang menggunakan metode AKU. Model terbaik yang diperoleh berasal dari model yang dibangun oleh regresi kuantil dengan metode LASSO pada grid 6×6 yaitu model regresi kuantil linear. Model ini memiliki nilai quantile verification skill score (QVSS) paling tinggi dan nilai root mean square error of prediction (RMSEP) paling rendah diantara model-model yang lain. RMSEP model SD dengan LASSO pada grid 6×6 lebih rendah dibandingkan dengan model pada grid 8×8, sedangkan pada model AKU kedua grid memiliki nilai RMSEP yang hampir sama. Pendugaan curah hujan ekstrim di Kabupaten Indramayu untuk satu tahun ke depan memberikan hasil dugaan terbaik dari semua periode analisis yang digunakan.