PENGEMBANGAN MODEL EIGENVECTOR SPACE TIME FILTERING - VARYING COEFFICIENT DENGAN GAMMA GLMM UNTUK PENDUGAAN CURAH HUJAN DI RIAU

Abstract

Pendugaan curah hujan merupakan instrumen penting dalam pengelolaan sumber daya alam dan mitigasi bencana hidrometeorologi, khususnya di wilayah dengan karakteristik ekosistem sensitif seperti Provinsi Riau. Sebagai daerah yang memiliki sekitar 5,09 juta hektar lahan gambut, Provinsi Riau sangat peka terhadap variasi curah hujan. Kondisi defisit air akan memicu kebakaran hutan, sementara curah hujan tinggi berisiko menyebabkan banjir musiman. Namun, akurasi prediksi sering kali terkendala oleh fenomena autokorelasi ruang-waktu dan heterogenitas spasial yang melanggar asumsi fundamental independensi dalam model statistik klasik. Selain itu, penggunaan luaran general circulation model (GCM) terkendala oleh resolusi spasial yang rendah, sehingga memerlukan pendekatan statistical downscaling (SD) untuk menjembatani informasi skala global dengan pengamatan lokal. Penelitian ini bertujuan untuk mengembangkan metode eigenvector space-time filtering-varying coefficient (ESTF-VC) dengan asumsi sebaran respons Gamma guna meningkatkan akurasi pendugaan curah hujan di Provinsi Riau. Kajian pertama difokuskan pada pemilihan luaran model GCM terbaik melalui teknik stacking ensemble yang melibatkan dua tingkat pemodelan. Level 0 berfungsi sebagai base model menggunakan regresi komponen utama (KU) dan regresi least absolute shrinkage and selection operator (LASSO), sementara level 1 sebagai meta model menggunakan regresi linier berganda. Hasil evaluasi menunjukkan bahwa pendekatan meta model yang menggunakan regresi KU terbukti meningkatkan akurasi pendugaan secara signifikan dibandingkan model dasar individu. Kajian ini menetapkan model CNRM-ESM2 sebagai luaran model iklim global yang paling representatif untuk wilayah Riau berdasarkan kriteria kinerja statistik yang paling optimal. Kajian kedua menerapkan pemodelan eigenvector spatial filtering-varying coefficient (ESF-VC) untuk menangani autokorelasi spasial dan ketidakstasioneran pengaruh peubah prediktor. Kajian ini mengonfirmasi adanya variasi spasial yang nyata (nonstasioner spasial) pada pengaruh peubah karakteristik lokal, yaitu ketinggian (Altitude), vegetasi, dan jarak dari garis khatulistiwa (Equator). Namun, pemodelan yang hanya mempertimbangkan aspek spasial terbukti belum cukup memadai karena pola curah hujan aktual dan dugaan masih menunjukkan ketidaksesuaian yang signifikan, serta galat model masih menyisakan autokorelasi spasial yang nyata karena belum mempertimbangkan elemen temporal. Kajian ketiga melakukan pengembangan model ESTF-VC dengan membangun matriks bobot jarak ruang-waktu C_ST yang fleksibel berbasis struktur dependensi space-time contemporaneous. Struktur ini dikonstruksi dari kombinasi berbagai bobot spasial dan temporal untuk menangkap keterkaitan antar observasi berdasarkan kedekatan lokasi dan waktu secara simultan. Pengembangan model ESTF-VC ini berhasil secara substansial mengatasi masalah autokorelasi ruang-waktu dan menunjukkan peningkatan kinerja dibandingkan model ESF-VC. Model ESTF-VC terbaik diperoleh dari kombinasi bobot spasial Eksponensial dan bobot temporal Jarak Invers Tipe 1, yang menghasilkan tingkat kemiripan pola yang tinggi antara curah hujan aktual dan hasil dugaan. Kajian keempat merumuskan model Gamma ESTF-VC dalam kerangka GLMM untuk mengakomodasi karakteristik data curah hujan yang tidak menyebar Normal. Model ini dirancang untuk menangani data yang bernilai positif dan condong ke kanan dengan mengintegrasikan vektor ciri spasiotemporal sebagai efek acak dalam sebaran Gamma melalui fungsi hubung logaritma. Meskipun terdapat keterbatasan komputasi pada parameter pengendali skala, model ini divalidasi melalui kajian simulasi dan aplikasi empiris mampu menangkap dinamika hubungan yang berubah antar lokasi maupun waktu dalam kondisi sebaran non-Gaussian. Temuan utama penelitian menunjukkan bahwa model Gamma ESTF-VC memberikan kinerja terbaik dengan nilai akurasi tertinggi dibandingkan model ESF, ESF-VC, maupun ESTF-VC berbasis sebaran Normal. Penggunaan skenario matriks bobot tertentu pada model Gamma ESTF-VC terbukti paling optimal dalam meminimalkan nilai galat serta menghasilkan pola prediksi yang konsisten terhadap dinamika curah hujan aktual di Provinsi Riau. Integrasi filtering berbasis eigenvector ke dalam sebaran Gamma memberikan kerangka kerja baru yang andal dalam menangani kompleksitas data hidrometeorologi yang bersifat spasiotemporal dan non-linier. Evaluasi pada data uji menunjukkan bahwa model memiliki stabilitas prediksi yang baik, meskipun masih terdapat kecenderungan under-estimate pada intensitas variasi spasial yang ekstrem dan lokal. Implikasi dari penelitian ini adalah tersedianya model statistik yang lebih andal dan adaptif sebagai alat bantu pengambilan keputusan dalam sistem peringatan dini bencana banjir dan kebakaran hutan di Provinsi Riau. Keberhasilan menangani masalah autokorelasi ruang-waktu dan heterogenitas spasial secara simultan memberikan dasar yang kuat bagi pengembangan pemodelan iklim regional yang presisi. Model Gamma ESTF-VC menawarkan solusi metodologis bagi pengembangan statistik spasiotemporal yang mampu mengakomodasi sebaran non-Normal data secara fleksibel. Selain itu, hasil penelitian ini memberikan kontribusi penting bagi penyusunan strategi adaptasi perubahan iklim berbasis proyeksi data iklim global yang telah disesuaikan dengan karakteristik fisik lokal wilayah regional secara lebih akurat.