Statistical Downscaling Dua Tahap dengan Multi-Class Random Forest dan Regresi Kuadrat Terkecil Parsial untuk Memprediksi Curah Hujan

Abstract

Indonesia merupakan negara agraris di mana sekitar 29% penduduk Indonesia bekerja di sektor pertanian, yang memiliki ketergantungan yang tinggi terhadap curah hujan. Informasi tentang curah hujan sering digunakan untuk menentukan waktu tanam dan jenis tanaman yang sesuai di suatu daerah, sehingga hasil pertanian yang diperoleh bisa optimal. Oleh karena itu, informasi tentang curah hujan sangat penting bagi sektor pertanian. Pemodelan untuk memprediksi curah hujan telah banyak dilakukan dengan memanfaatkan data luaran Global Climate Model (GCM). Data yang disediakan oleh GCM adalah data hasil pemodelan parameter iklim pada skala global yang berorientasi spasial dan temporal. Data luaran GCM dapat digunakan untuk menduga parameter iklim pada skala lokal menggunakan teknik downscaling. Salah satu teknik downscaling yang dapat digunakan adalah statistical downscaling (SD). SD menggunakan model statistika untuk menghubungkan parameter-parameter iklim global (luaran GCM) dengan parameter-parameter iklim lokal yang diperoleh dari stasiun pengamatan klimatologi. Studi literatur menunjukkan bahwa teknik SD satu tahap belum cukup baik untuk menduga curah hujan ekstrim. Penambahan kelompok curah hujan pada model sebagai peubah boneka memberikan hasil prediksi curah hujan yang lebih baik dibandingkan dengan tidak ada penambahan kelompok curah hujan. Penambahan peubah boneka kelompok curah hujan pada model berdasarkan data curah hujan lokal bulanan tidak dapat diaplikasikan untuk meprediksi curah hujan yang akan datang karena informasi kelompok curah hujan tidak tersedia. Pemodelan dua tahap dengan melakukan pemodelan klasifikasi kelompok curah hujan terlebih dahulu diduga akan meningkatkan presisi prediksi curah hujan. Penelusuran pustaka tentang SD dua tahap menyimpulkan bahwa Teknik SD dua tahap memberikan hasil prediksi curah hujan yang lebih baik dibandingkan dengan SD satu tahap. Semakin baik hasil pemodelan klasifikasi kelompok curah hujan yang didapatkan, maka hasil prediksi curah hujan yang didapatkan akan semakin baik juga. Oleh karena itu, prediksi curah hujan pada penelitian ini menggunakan pemodelan SD dua tahap dengan algoritme Random Forest (RF) untuk memprediksi kelompok curah hujan yang dikelompokkan ke dalam tiga kelompok. Regresi Kuadrat Terkecil Parsial (RKTP) digunakan untuk memprediksi curah hujan setelah informasi mengenai kelompok curah hujan diketahui. Data yang digunakan dalam penelitian ini adalah data curah hujan lokal harian dari tahun 2011 hingga 2018 yang disediakan oleh Badan Meteorologi dan Klimatologi Geofisika (BMKG) di pos pengamatan hujan Bogor, Citeko, Jatiwangi, Bandung, Serang, Syarif Kasim II, Mempawah, dan Pattimura sebagai peubah respons. Peubah prediktor yang digunakan adalah laju presipitasi harian dari data luaran GCM, Climate Forecast System (CFS) versi 2 dengan ukuran grid sebesar 0.5o × 0.5o dan luas wilayah pengamatan sebesar 6 × 6 grid di setiap lokasi. Pemodelan dalam penelitian ini dimulai dengan pemodelan SD satu tahap, di mana hasil yang diperoleh akan dibandingkan dengan hasil pemodelan SD dua tahap. Pemodelan SD satu tahap dengan pengelompokan terbukti bisa memperbaiki hasil prediksi curah hujan yang dihasilkan oleh model SD satu tahap. Sebelum melakukan pemodelan SD dua tahap, terlebih dahulu dilakukan pemilihan algoritme RF. Penelitian ini menunjukkan bahwa tidak terdapat perbedaan akurasi yang signifikan yang dihasilkan oleh RF, RF dengan pendekatan One Versus One, dan RF dengan pendekatan One Versus All. Dengan demikian, RF digunakan sebagai algoritme klasifikasi pada SD dua tahap dalam penelitian ini. Semua pemodelan termasuk pemodelan SD dua tahap yang dilakukan pada penelitian ini menggunakan validasi silang 5-lipat dengan 20 kali ulangan. Model terbaik di setiap pos pengamatan dipilih dari 99 model SD dua tahap pada data harian dan 4851 model SD dua tahap pada data bulanan menggunakan kriteria RMSEP (Root Mean Squares of Error Prediction) dan KK (Koefisien Keragaman). Nilai akurasi pada pemodelan klasifikasi data curah hujan harian masih berkisar di antara 62% hingga 77% sehingga pemodelan SD dua tahap pada data curah hujan harian menghasilkan nilai RMSEP yang tidak jauh berbeda dengan pemodelan satu tahap dengan nilai Koefisien Keragaman lebih besar dari 100%. Nilai akurasi pada pemodelan klasifikasi data curah hujan bulanan berkisar di antara 63% hingga 84% dan secara umum lebih baik dari nilai akurasi pada pemodelan klasifikasi data curah hujan harian, sehingga prediksi curah hujan bulanan menggunakan pemodelan SD dua tahap lebih baik dibandingkan dengan pemodelan SD satu tahap dengan nilai KK terletak di antara 35% hingga 50%.