Proyeksi Kekeringan Jangka Panjang di Wilayah Indonesia Menggunakan Pemodelan Random Forest pada Data Model CMIP6

Abstract

Perubahan iklim global menyebabkan peningkatan risiko kekeringan yang signifikan di Indonesia, yang berdampak pada sektor pertanian, sumber daya air, dan kehidupan masyarakat. Penelitian ini bertujuan untuk memproyeksikan kekeringan jangka panjang di Indonesia menggunakan pemodelan Random Forest dengan data dari lima model CMIP6 (ACCESS-CM2, CIESM, CAS-ESM2-0, TaiESM1, MRI-ESM2-0) berdasarkan skenario SSP2-4.5 dan SSP5-8.5. Data indeks SPI-1 dan SPI-3 dihitung dengan menggunakan data CHIRPS sebagai observasi. Penelitian mencakup analisis distribusi spasial dan temporal untuk mengevaluasi potensi kekeringan di wilayah Indonesia. SPI-1 digunakan untuk menggambarkan fluktuasi bulanan, sementara SPI-3 memberikan pola kelembaban yang lebih stabil selama tiga bulan. Analisis dilakukan untuk mengidentifikasi variasi antar model dan perbedaan dampak pada skenario emisi moderat (SSP2-4.5) dan tinggi (SSP5-8.5). Penggunaan model Random Forest untuk menangkap pola data yang di analisis. Random Forest merupakan salah satu metode ensemble learning yang efektif pada pengolahan data iklim yang kompleks. Metode ini juga mampu dalam menangani dataset dengan ukuran besar dan mengurangi Overfitting pada data dan umumnya sering menjadi masalah pada model prediksi. Pada penelitian ini skenario SSP5-8.5 memproyeksikan peningkatan intensitas dan luasnya kekeringan dibandingkan SSP2-4.5, dengan wilayah Sumatra, Kalimantan, dan Papua sebagai area paling rentan.

Global climate change causes a significant increase in drought risk in Indonesia, which impacts the agricultural sector, water resources, and people's lives. This study aims to project long-term drought in Indonesia using Random Forest modeling with data from five CMIP6 models (ACCESS-CM2, CIESM, CAS-ESM2-0, TaiESM1, MRI-ESM2-0) under the SSP2-4.5 and SSP5-8.5 scenarios. SPI-1 and SPI-3 index data are calculated using CHIRPS data as observations. The study includes spatial and temporal distribution analysis to evaluate the potential for drought in the Indonesian region. SPI-1 is used to describe monthly fluctuations, while SPI-3 provides a more stable moisture pattern over three months. The analysis was conducted to identify variations between models and differences in impacts under moderate (SSP2-4.5) and high (SSP5-8.5) emission scenarios. The use of the Random Forest model to capture the pattern of the analyzed data. Random Forest is one of the effective ensembles learning methods in processing complex climate data. This method is also capable of handling large datasets and reducing overfitting on data and is generally often a problem in prediction models. In this study, the SSP5-8.5 scenario projects an increase in the intensity and extent of drought compared to SSP2-4.5, with Sumatra, Kalimantan, and Papua as the most vulnerable areas.