| dc.description.abstract | Statistical downscaling (SD) merupakan suatu teknik yang membentuk model statistika untuk menyatakan hubungan fungsional antara peubah-peubah prediktor dalam hal ini data luaran global climate model (GCM) dengan peubah respon lokal yaitu data curah hujan harian. Pada penelitian ini peubah prediktor yang digunakan adalah data presipitasi harian climate forecast system reanalysis (CFSR) dengan ukuran grid 0.5º×0.5º dalam domain 6×6 grid sehingga menghasilkan peubah prediktor sebanyak 36. Peubah-peubah prediktor tersebut mempunyai korelasi yang tinggi antar peubah sehingga terjadi multikolinearitas. Multikolinearitas pada penelitian ini diatasi dengan teknik analisis komponen utama (AKU). AKU melakukan pereduksian dimensi atau melakukan proyeksi peubah-peubah prediktor awal berdimensi besar menjadi sejumlah peubah baru berdimensi kecil yang disebut komponen utama.
Curah hujan sebagai peubah respon dapat didekati dengan sebaran Gamma karena curah hujan harian bernilai positif dan menjulur ke kanan. Selain itu, data curah hujan harian dan data GCM mempunyai keragaman yang sangat besar sehingga diperlukan pengelompokan untuk mereduksi keragaman tersebut. Oleh karena itu, pada penelitian ini dilakukan pengembangan regresi gerombol untuk mengelompokkan data dan memperoleh model regresi terbaik di setiap gerombol.
Penelitian ini dibagi ke dalam dua kajian yaitu kajian simulasi pengembangan regresi gerombol dan kajian aplikasi regresi gerombol untuk pendugaan curah hujan harian pada pos hujan Bogor, Bandung, Citeko dan Jatiwangi. Simulasi dilakukan untuk mengetahui kemampuan regresi gerombol dalam mengelompokkan data berdasarkan data bangkitan yang mempunyai karakteristik tertentu. Tiga skenario dilakukan dalam simulasi, yaitu skenario berdasarkan sebaran respon mempunyai sebaran gamma yang berbeda, sebaran respon mempunyai sebaran normal yang berbeda, dan sebaran respon mempunyai sebaran Gamma dan normal dalam suatu data set respon. Skenario respon dengan sebaran gamma mempunyai tiga skenario parameter bentuk (ξ) yaitu ξ = 0.5 dengan ξ = 0.5, ξ = 100 dengan ξ = 100, dan ξ = 0.5 dengan ξ = 100 dengan parameter β = 0.5 dan β = 0.75. Skenario respon dengan sebaran normal menggunakan parameter β = 4 dan β = 6 dengan galat menyebar normal (e ~ Normal (0, 1)) sedangkan skenario respon dengan sebaran campuran menggunakan parameter β = 4 untuk sebaran normal dan parameter β = 0.5 untuk sebaran Gamma dengan parameter bentuk ξ = 100. Teknik regresi gerombol untuk skenario data respon sebaran Gamma, normal dan campuran tersebut mampu membentuk gerombol dengan tepat dan model regresi yang sesuai dengan karakteristik data yang dibangkitkan.
Kajian aplikasi regresi gerombol pada Pos Hujan Bogor, Bandung, Citeko dan Jatiwangi dilakukan pemodelan tanpa penggerombolan dengan regresi Gamma dan regresi gerombol dengan sebaran campuran yaitu Gamma dan normal. Teknik regresi gerombol memberikan nilai RMSE lebih kecil dibandingkan regresi tanpa penggerombolan. Pendugaan banyaknya gerombol dilakukan sebanyak dua, tiga, dan empat gerombol. Hasil yang diperoleh menunjukkan regresi gerombol dengan
empat gerombol memberikan hasil pendugaan yang lebih baik dengan RMSE terkecil dibandingkan dua atau tiga gerombol. Regresi gerombol terbaik tersebut terdiri dari dua gerombol dengan model regresi linear dan dua gerombol dengan model regresi Gamma. Teknik ini mampu membuat gerombol dan model terbaik pada data curah hujan harian. | id |
