dc.description.abstract | Indonesia merupakan salah satu negara yang berada di wilayah khatulistiwa
dan mempunyai iklim yang tropis, dimana bidang pertanian memiliki peranan besar
dalam perekonomian penduduknya. Penelitian tentang pendugaan curah hujan
dapat dimanfaatkan untuk menunjang keberhasilan perekonomian pada bidang
pertanian di Indonesia. Pendugaan curah hujan salah satunya dapat dilakukan
dengan teknik Statistical Downscaling (SD). SD adalah teknik untuk mendapatkan
model yang dapat menganalisis hubungan antara data global skala besar dan data
lokal skala kecil. Teknik SD dapat digunakan untuk memprediksi data curah hujan
lokal dengan menggunakan data keluaran Global Clmate Model (GCM) sebagai
data global berskala besar.
Pendugaan curah hujan bulanan menggunakan teknik SD melalui pemodelan
dua tahap dengan metode klasifikasi telah dilakukan sebelumnya. Metode
klasifikasi yang telah digunakan antara lain yaitu regresi linier gerombol, CART,
regresi logistik biner, dan regresi logistik ordinal. Hasilnya, pendugaan curah hujan
bulanan dengan pemodelan dua tahap menghasilkan nilai Root Mean Square Error
of Prediction (RMSEP) yang lebih kecil jika dibandingkan dengan pemodelan
langsung menggunakan Regresi Kuadrat Terkecil Parsial (RKTP), namun akurasi
klasifikasi yang dihasilkan masih berkisar antara 55% sampai dengan 60%.
Dalam penelitian ini, teknik SD dalam pemodelan dua tahap dengan
klasifikasi digunakan untuk memprediksi data curah hujan harian. Tahap pertama,
kekuatan metode Bagging dan Boosting dalam klasifikasi digunakan untuk
menentukan kelompok curah hujan. Tahap kedua, RKTP digunakan untuk
memprediksi curah hujan di setiap kelas. Kemampuan model diuji di empat stasiun
yang terletak di Provinsi Jawa Barat, yaitu Bandung, Bogor, Citeko dan Jatiwangi.
Metode klasifikasi Bagging dan Boosting merupakan metode Ensemble
Learning, dimana dalam pengambilan keputusannya menggunakan konsep
majority vote, sehingga akurasi yang dihasilkan lebih besar. Bagging membuat
pohon klasifikasi lengkap pada setiap iterasinya dengan mengambil contoh acak
dengan pengembalian (bootstrap) yang kemudian melakukan agregasi
(aggregating) pada pengambilan keputusan akhir. Boosting melakukan
pembobotan dengan merubah weak learner menjadi strong learner pada setiap
iterasinya. Dengan meningkatnya nilai akurasi, diharapkan nilai kebaikan model
yang didapat menjadi semakin baik. Ukuran kebaikan model yang digunakan yaitu
RMSEP sebagai ukuran penyebaran dan Koefisien Keragaman (KK) sebagai
ukuran pemusatan. Semakin kecil nilai RMSEP dan KK yang dihasilkan maka
model pendugaan curah hujan yang didapat akan semakin baik.
Hasil awal pendugaan dua tahap dengan akurasi 100% menghasilkan nilai
RMSEP dan KK yang lebih kecil jika dibandingkan dengan hasil pendugaan satu
tahap langsung dengan RKTP. Terdapat empat tipe pengelompokan yang
digunakan pada penelitian ini, yaitu pengelompokan hujan dan tidak hujan, curah
hujan (CH) ≤ 5 mm/hari dan CH > 5 mm/hari, CH ≤ median dan CH > median,
serta CH ≤ rataan dan CH > rataan. Pada pendugaan dua tahap dengan klasifikasi,
terdapat kasus ketidakseimbangan data di beberapa pengelompokan curah hujan.
Oleh karena itu, terlebih dahulu dilakukan penanganan data tidak seimbang
menggunakan metode Synthetic Minority Oversampling Technique (SMOTE).
Hasilnya, SMOTE dapat lebih menyeimbangkan jumlah amatan dan proporsi pada
setiap kelompok dengan data tidak seimbang. Selisih antara sensitivitas dan
spesifisitas juga menjadi lebih kecil.
Hasil yang diperoleh dari validasi silang 5 lipatan dengan 2 pengulangan
menunjukkan bahwa pengelompokan hujan dan tidak hujan memiliki hasil
klasifikasi yang lebih unggul, meskipun pada pemodelan dua tahap awal,
pengelompokan yang lebih unggul adalah kategori kelompok dengan batas rataan.
Pemodelan klasifikasi Boosting lebih unggul di area Bandung dan Citeko, yaitu
dengan akurasi, RMSEP, dan KK masing-masing bernilai 0.76, 13.76 dan 166.79%
pada area Bandung, serta 0.76, 16.71 dan 164.63% pada area Citeko. Metode
Bagging lebih unggul di area Bogor dan Jatiwangi, yaitu dengan akurasi, RMSEP,
dan KK masing-masing bernilai 0.75, 20.56 dan 160.79 pada area Bogor, serta 0.76,
16.96 dan 214.26% pada area Jatiwangi. | id |