| dc.description.abstract | Letak geografis Indonesia dilalui hembusan angin muson (monsoon) menjadikan Indonesia memiliki dua musim yaitu musim kemarau dan musim penghujan. Iklim tropis dan kelembapan udara tinggi membuat musim penghujan dapat berlangsung lebih lama dibanding musim kemarau. Informasi mengenai curah hujan sangat penting untuk diketahui terutama dalam bidang pertanian yang produktivitasnya bergantung pada cuaca dan ketersediaan air. Metode Statistical downscaling (SD) merupakan salah satu metode yang dapat digunakan untuk pendugaan curah hujan. Metode ini membuat Informasi data berskala global GCM sebagai peubah prediktor diproyeksikan terhadap informasi skala lokal sebagai peubah respon. Peubah prediktor mempunyai korelasi tinggi antar peubah dan menyebabkan adanya multikolinearitas. Teknik pereduksian dimensi atau seleksi peubah dapat digunakan untuk mengatasinya.
Penelitian mengenai pendugaan curah hujan menggunakan metode SD dengan regresi gerombol telah dilakukan sebelumnya. Metode yang digunakan antara lain regresi gerombol dengan peubah dummy, regresi gerombol yang dibandingkan dengan metode Regresi Komponen Utama (RKU) dan Regresi Kuadrat Terkecil Parsial (RKTP) dan regresi gerombol sebaran Gamma. Hasil dari penelitian tersebut regresi gerombol menghasilkan Root Mean Square Error of Prediction (RMSEP) yang lebih kecil jika dibandingkan dengan RKU dan RKTP. Selain itu, pada regresi gerombol sebaran Gamma terbukti mampu memodelkan data curah hujan dengan baik, namun belum mampu menghasilkan nilai dugaan curah hujan.
Penelitian yang dilakukan merupakan kajian lanjutan regresi gerombol sebaran Gamma untuk dapat melakukan dugaan pada data curah hujan. Penelitian ini terbagi kedalam dua kajian. Kajian pertama yaitu simulasi regresi gerombol dengan sebaran Gamma dan sebaran Normal. Kajian kedua yaitu penerapan regresi gerombol pada data curah hujan harian di stasiun Bandung, Bogor, Citeko dan Jatiwangi. Analisis komponen utama terlebih dahulu dilakukan untuk pereduksian data prediktor (GCM) sebagai solusi untuk multikolinearitas.
Simulasi regresi gerombol dibagi kedalam simulasi dua kelompok dan tiga kelompok. Hal ini bertujuan untuk melihat kemampuan regresi gerombol mengelompokkan data sesuai sebaran sebenarnya. Simulasi dua kelompok memiliki (3) skenario dengan model Gamma-Gamma (GG), Normal-Normal (NN) dan Gamma-Normal (GN). Simulasi tiga kelompok memiliki (4) skenario dengan model Gamma-Gamma-Gamma (GGG), Normal-Normal-Normal (NNN), Gamma- Normal-Normal (GNN) dan Gamma-Gamma-Normal (GNN). Sebaran Gamma dengan parameter bentuk (ξ) yaitu ξ = 0,5, ξ = 0,85 dan ξ = 15. Hasil simulasi menunjukkan regresi gerombol untuk skenario sebaran Gamma, normal dan campuran tersebut mampu membentuk gerombol dengan tepat dan sesuai dengan karakteristik data sebenarnya.
Penerapan regresi gerombol pada curah hujan harian stasiun hujan Bogor, Bandung, Citeko dan Jatiwangi dilakukan pemodelan tanpa gerombol (regresi Gamma) dan dengan penggerombolan sebaran campuran Gamma-Normal. Prediksi data dilakukan dengan pendekatan jarak centroid dan jarak antar amatan. Regresi gerombol memberikan nilai RMSEP lebih kecil jika dibandingkan dengan tanpa pengerombolan. Pendugaan pada regresi gerombol dilakukan sebanyak dua dan tiga gerombol. Hasil menunjukkan tiga gerombol menghasilkan RMSEP lebih baik dari dua gerombol. Model terbaik bagi seluruh stasiun hujan adalah model Gamma-Normal-Normal (GNN) yaitu model dengan satu sebaran Gamma dan dua kelompok Normal. Metode prediksi dengan pendekatan jarak centroid dan jarak antar amatan mempunyai kemampuan yang sama dalam melakukan prediksi data | id |
