Regresi Kuantil Lasso Dan Gulud Dengan Validasi Silang Untuk Prediksi Curah Hujan Ekstrim
View/ Open
Date
2016Author
Zaikarina, Hilda
Djuraidah, Anik
Wigena, Aji Hamim
Metadata
Show full item recordAbstract
Indonesia merupakan negara agraris yang memiliki potensi di sektor
pertanian. Salah satu wilayah penghasil padi di Indonesia adalah Kabupaten
Indramayu yang memiliki areal persawahan 56.11% dari luas wilayah
keseluruhan. Salah satu unsur iklim yang mempengaruhi produktivitas pertanian
adalah curah hujan. Kondisi curah hujan yang tinggi, disebut juga curah hujan
ekstrim berada jauh dari curah hujan lainnya, dapat menyebabkan kerugian bagi
berbagai pihak.
Regresi kuantil merupakan salah satu metode analisis untuk menduga curah
hujan ekstrim. Peubah prediktor yang digunakan pada regresi kuantil adalah data
luaran presipitasi GCM. Data luaran GCM memiliki multikolinieritas yang dapat
mengakibatkan solusi pendugaan parameter regresi menjadi tidak unik. Solusi
yang unik dapat diperoleh dengan menambahkan regularisasi lasso dan gulud
pada regresi kuantil.
Penambahan regularisasi menyebabkan dibutuhkan koefisien lasso dan
koefisien gulud yang diperoleh dari proses validasi silang (VS). Validasi silang
memilih dugaan koefisien lasso dan gulud berdasarkan nilai galat validasi silang
(GVS) yang minimum, namun proses VS dinilai tidak stabil dalam memilih
koefisien yang optimum. Ketidakstabilan proses VS terlihat pada pemilihan nilai
koefisien yang berbeda pada setiap ulangan yang berbeda. Ketidakstabilan proses
VS diatasi dengan metode persentil. Metode persentil adalah proses VS yang
diulang lebih dari satu kali dan memilih koefisien berdasarkan posisi persentil
yang ditentukan.
Pada penelitian ini dilakukan modifikasi metode persentil untuk
menentukan kritertia terbaik koefisien lasso dan gulud untuk prediksi curah hujan
ekstrim. Modifikasi yang dilakukan adalah memilih koefisien lasso dan gulud
yang memiliki GVS minimum. Nilai koefisien yang terpilih akan dibangun model
statistical downscaling menggunakan regresi kuantil dengan penambahan
regularisasi lasso dan gulud untuk menduga curah hujan ekstrim. Kedua model
regresi kuantil tersebut akan dipilih model terbaik dalam memprediksi curah hujan
berdasarkan nilai RMSEPvalidasi terkecil dan korelasi tertinggi. Posisi kuantil yang
dipilih adalah Q(0.75), Q(0.90), dan Q(0.95).
Data yang digunakan adalah data curah hujan sebagai peubah respon dan
data luaran presipitasi GCM sebagai peubah prediktor. Data curah hujan pada
tahun 1981-2013 diambil dari rataan empat stasiun yaitu Stasiun Krangkeng,
Sukadana, Karangkendal, dan Gegesik. Keempat stasiun tersebut berada pada satu
zona musim (ZOM) yang sama yaitu ZOM 79. Data luaran GCM yang digunakan
adalah data curah hujan bulanan data Climate Model Intercomparison Project
(CMIP5). Jumlah grid yang digunakan adalah 8 8 grid, sehingga terdapat 64
peubah prediktor.
Berdasarkan hasil yang diperoleh, kriteria terbaik koefisien lasso adalah
pada P( ). Hal ini ditunjukkan dengan nilai RMSEPvalidasi yang konsisten
lebih kecil pada setiap kuantil jika dibandingkan dengan pemilihan koefisien
berdasarkan GVS minimum. Berbeda dengan regulasasi gulud, pada Q(0.75) dan
Q(0.90) lebih baik memilih koefisien gulud berdasarkan GVS minimum,
sedangkan pada Q(0.95) lebih baik memilih koefisien gulud yang berada pada
P( ).
Koefisien terpilih tersebut lalu digunakan untuk membangun model regresi
kuantil. Regresi kuantil regularisasi lasso dan gulud dapat menggambarkan
kondisi curah hujan ekstrim di Kabupaten Indramayu dengan baik karena nilai
RMSEPvalidasi yang kecil dan korelasi yang tinggi. Pada regresi kuantil regularisasi
lasso untuk prediksi curah hujan tahun 2013 diperoleh RMSEPvalidasi sebesar
13.57, 15.78, dan 16.74 untuk masing-masing Q(0.75), Q(0.90), dan Q(0.95).
Nilai RMSEPvalidasi pada regresi kuantil gulud yang diperoleh adalah 15.94, 15.85,
dan 18.00 pada masing-masing Q(0.75), Q(0.90), dan Q(0.95). Pada regularisasi
lasso dan gulud, nilai korelasi antara prediksi dengan data aktual kuantil yang
diperoleh adalah 0.99, yang berarti prediksi curah hujan sudah mampu
memprediksi curah hujan aktual. Berdasarkan RMSEPvalidasi terkecil, regresi
kuantil lasso lebih baik dalam memprediksi curah hujan ekstrim dibandingkan
regresi kuantil gulud. Regresi kuantil lasso dan gulud dapat memprediksi dengan
tepat curah hujan ekstrim di bulan Januari yang berada pada Q(0.75) dan curah
hujan ekstrim bulan Desember yang berada pada Q(0.90). Oleh karena itu, regresi
kuantil dengan regularisasi lasso terbaik dalam prediksi curah hujan ekstrim di
Kabupaten Indramayu.