Pemodelan Statistical Downscaling dengan Regresi Kuantil Kernel Untuk Menduga Curah Hujan Ekstrim Di Indramayu
View/ Open
Date
2018Author
Mulyati, Annisa Eki
Wigena, Aji Hamim
Djuraidah, Anik
Metadata
Show full item recordAbstract
Intensitas curah hujan yang ekstrim berdampak buruk yang dapat berakibat
banjir, longsor, gagal panen. Salah satu model Statistical Downscaling (SD)
dengan metode regresi kuantil kernel digunakan untuk memprediksi curah hujan
ekstrim. SD memanfaatkan data luaran GCM yang digunakan untuk memprediksi
curah hujan. Data luaran GCM belum bisa langsung mendapatkan informasi skala
lokal. Oleh karena itu, diperlukan teknik SD untuk menghubungkan antara data
GCM yang berskala global dengan data curah hujan yang berskala lokal.
Karakteristik data luaran GCM bersifat curse of dimensionality menyebabkan
multikolinearitas. Penggunaan kernel mengatasi multikolinearitas dari GCM.
Tujuan dari penelitian ini memodelkan SD untuk prediksi curah hujan ekstrim
menggunakan regresi kuantil kernel dan aplikasinya di Kabupaten Indramayu.
Data yang digunakan pada penelitian ini adalah data curah hujan ZOM 79
terdiri dari Stasiun Krangkeng, Sukadana, Karangkendal dan Gegesik. Pada
penelitian ini dibangun dua model regresi kuantil kernel. Model pertama
menggunakan data curah hujan sebagai respon dan GCM-lag sebagai prediktor.
Model kedua komponen utama dari GCM-lag sebagai prediktor. Analisis
komponen utama (AKU) mengatasi multikolinearitas dari data GCM-lag. Proses
AKU dengan cara reduksi dimensi data GCM-lag yang berdasarkan akar ciri lebih
dari satu dan menghasilkan empat peubah KU.
Dalam kuantil kernel prediktor dengan GCM-lag dan KU dari GCM-lag
ditransformasi ke ruang fitur menggunakan kernel trick. Penggunaan kernel trick
tidak perlu mengetahui bentuk transformasinya, karena transformasi dilakukan
secara implisit. Transformasi implisit hanya perlu mengetahui fungsi kernel yang
digunakan. Fungsi kernel yang digunakan adalah Radial Basis Function.
Penyelesaian regresi kuantil kernel dengan optimasi ganda dihitung menggunakan
Langrange Multiplier. Penerapan regularisasi pada ruang fitur untuk mengatur
komponen galat dan regularisasi diperoleh penalti (λ). Proses pencarian λ optimal
dilakukan sebanyak 40 kali. Mulai dari λ=0.1 sampai λ=20 dengan rentang 0.5.
Proses ulangan setiap kuantil menghasilkan nilai λ yang berbeda-beda, sehingga
pemilihan λ optimal berdasarkan galat minimum. λ optimal digunakan untuk
membangun model regresi kuantil kernel pada Q(0.75), Q(0.90) dan Q(0.95).
Kebaikan model diukur berdasarkan RMSEP (Root Mean Square Error of
Prediction) dan korelasi. Kedua model menghasilkan korelasi 0.7. Nilai ini
menunjukkan bahwa prediksi curah hujan mengambarkan pola curah hujan aktual.
Nilai RMSEP menunjukkan nilai relatif sama. Penggunaan kernel trick pada
model dengan prediktor GCM-lag lebih baik daripada model KU dari GCM-lag
karena model pertama tidak perlu melakukan reduksi dimensi. Namun, model ini
tidak lebih baik dari model regresi kuantil dengan regularisasi lasso, gulud dan
elastic-net (Cahyani et al. 2016 dan Zaikarina et.al. 2016) dengan korelasi 0.9.