Pemodelan Statistical Downscaling dengan Regresi Kuantil Kernel Untuk Menduga Curah Hujan Ekstrim Di Indramayu

Abstract

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.