Pendugaan Parameter Metode Koreksi Bias Nonlinear Menggunakan Algoritme Genetika Tujuan Jamak Pada Data Curah Hujan Harian

Abstract

Bias pada momen statistik dan nilai kuantil dari Climate Hazards Group InfraRed Precipitation with Stations (CHIRPS) tinggi selama musim basah di Pulau Jawa. Metode Nonlinear Power Transformation (NL) merupakan metode untuk mengoreksi bias yang paling efektif dalam memperbaiki indikator bias tersebut ketika data observasi tidak dapat didekati dengan distribusi gamma. Metode NL hanya menyesuaikan rata-rata dan ragam, sehingga metode NL tidak dapat menangani bias pada nilai kuantil dengan baik. Penelitian ini menerapkan koreksi bias pada data Satellite-only Climate Hazards Group InfraRed Precipitation (CHIRP), kemudian hasil penelitian dibandingkan dengan CHIRPS. Skema metode NL dengan kondisi tambahan disajikan pada penelitian ini, tujuan yang ingin dicapai adalah mengurangi bias pada nilai kuantil. Multi Objective Non-dominated Sorting Genetic Algorithm II (NSGA-II) diterapkan untuk menduga parameter metode NL karena terdapat dua tujuan yang ingin dicapai, yakni untuk mendapatkan perbedaan minimal dari rata-rata dan koefisien varians (KK) CHIRP terkoreksi terhadap data observasi. Selanjutnya, untuk melihat kesesuaian penerapan NSGA-II dengan konsep pareto, Single Objective Genetic Algorithm (SOGA) diterapkan sebagai perbandingan. Hasil dari penelitian ini menunjukkan metode koreksi bias yang dikemukakan mampu meningkatkan performa data CHIRP, bahkan pada beberapa indikator bias (kuantil satu, kuantil dua, rata-rata dan ragam) hasil koreksi bias memiliki performa yang secara signifikan lebih baik dibandingkan data CHIRPS yang merupakan hasil blending antara data CHIRP dengan data observasi yang disediakan oleh Climate Hazard Group (CHG). Penurunan bias yang terjadi pada indikator bias kuantil satu, kuantil dua, rata-rata, dan ragam masing-masing mencapai 95%, 76%, 96%, dan 100%. Bias pada kuantil tiga hanya mampu ditangani selama musim kering, dengan penurunan bias mencapai 48%. Akan tetapi, bias pada momen ketiga dan keempat tidak dapat ditangani secara robust.Pendugaan parameter NL menggunakan NSGA-II sesuai apabila solusi SOGA menghasilkan nilai fitness rendah, dan penerapan NSGA-II dapat meminimalkan dampak koreksi bias harian pada curah bulanan.