| dc.description.abstract | Pada pemodelan curah hujan, daerah yang saling berdekatan memiliki
karakteristik curah hujan yang hampir sama, serta pendeteksian perubahan pola
hujan memerlukan jangka waktu pengamatan yang panjang. Dengan demikian
perkembangan pemodelan curah hujan tidak hanya melibatkan faktor
wilayah/dependensi spasial, namun juga melibatkan pengaruh waktu/dependesi
temporal. Selain itu, model prediksi curah hujan sangat berkembang dengan
memanfaatkan data yang bersumber dari luaran Global Climate Model (GCM) yang
melibatkan data berdimensi tinggi, seperti pada pemodelan statistical downscaling
(SD). Pengaruh spasial, temporal serta pemanfaatan data berdimensi tinggi pada
pemodelan SD untuk prediksi curah hujan merupakan suatu fenomena yang
kompleks. Metode Bayes merupakan salah satu solusi dalam merepresentasikan
fenomena kompleks tersebut, karena kompleksitas fenomena dapat
direpresentasikan dengan merancang struktur hirarki dan penetapan sebaran prior
untuk parameternya.
Penelitian yang dilakukan merupakan kajian tentang pengembangan regresi
spatio-temporal dengan inferensi Bayes berbasis INLA (integrated nested Laplace
approximation) pada pemodelan SD yang diaplikasikan untuk menduga curah
hujan ekstrem di wilayah Jawa Barat. Pemodelan curah hujan dilakukan berbasis
sebaran yang terbagi menjadi tiga kajian utama. Kajian pertama merupakan
pemodelan Bayes spatio-temporal non-ekstrem dengan respons berdistribusi
normal dan melibatkan peubah penjelas GCM yang telah direduksi dimensinya
menggunakan analisis komponen utama (AKU). Kajian kedua adalah pemodelan
Bayes spatio-temporal ekstrem yang mengombinasikan tiga sebaran, yaitu sebaran
gamma untuk pemodelan curah hujan rata-rata, Bernoulli untuk mengidentifikasi
curah hujan yang melewati ambang batas u, dan generalized pareto (GP) untuk
pemodelan curah hujan ekstrem. Kajian ketiga merupakan pengembangan dari
kajian kedua dengan menambahkan peubah penjelas GCM seperti yang telah
digunakan pada kajian pertama.
Data yang digunakan pada penelitian ini adalah data riil, yaitu data curah hujan bulanan (dalam milimeter) sebagai respons dari 57 pos hujan di wilayah Jawa Barat pada periode 1981 - 2017. Data luaran GCM adalah data presipitasi bulanan versi model CFSR dengan ukuran grid 2.5o x 2.5o pada domain 5 x 8 grid. Model Bayes spatio-temporal yang diusulkan merupakan penjumlahan dari komponen acak spasial dan temporal yang diasumsikan saling terpisah. Pengaruh acak spasial diasumsikan mengikuti fungsi kovarian Matérn. Pengaruh acak temporal diasumsikan memiliki sebaran normal yang mengikuti sifat jalan acak (RW) orde 2. Pada pemodelan Bayes spatio-temporal ekstrem, penentuan nilai ambang batas u sangat berpengaruh untuk menyeimbangkan bias dan ragam penduga. Sedangkan penentuan nilai parameter indeks ekor ξ pada sebaran GP sangat berpengaruh pada penentuan sampel curah hujan ekstrem. Dalam penelitian ini, penentuan nilai u menggunakan konsep measure of surprise (MoS) dan penentuan ξ dengan menetapkan suatu sebaran prior menggunakan penalized complexity (PC) prior. Inferensi yang digunakan adalah INLA dengan menerapkan aproksimasi Laplace yang tersarang pada penentuan sebaran posterior parameter dan hiperparameter. Kriteria kebaikan model menggunakan nilai RMSEP dan korelasi pada nilai dugaan kuantil 0.65, 0.80, 0.95 dan 0.975.
Dependensi spasial dengan kovarian Matérn mampu menduga curah hujan
untuk pos hujan yang terobservasi dengan baik, hal ini ditunjukkan oleh nilai
komponen acak spasial yang signifikan. Teknik MoS yang digunakan
menghasilkan nilai ambang batas curah hujan ekstrem yang mampu
menyeimbangkan bias dan ragam penduga yang ditunjukkan pada komponen acak
temporal yang signifikan. Dependensi temporal mengikuti RW orde 2 mampu
mengidentifikasi pola curah hujan rata-rata dan curah hujan ekstrem pada musim
hujan dan kemarau. Penggunaan PC prior pada parameter indeks ekor ξ pada
sebaran GP mampu mengidentifikasi karakteristik curah hujan di 57 pos hujan di
wilayah Jawa Barat yang memiliki sebaran ekor kanan.
Model Bayes spatio-temporal dengan respons sebaran normal memiliki nilai
RMSEP paling besar untuk hampir keseluruhan nilai kuantil. Model Bayes spatiotemporal
ekstrem SD berhasil menduga curah hujan ekstrem lebih baik hingga
kuantil sangat ekstrem (0.95), yaitu dengan menghasilkan nilai RMSEP paling kecil
dibandingkan dengan dua model lainnya. Sedangkan model Bayes spatio-temporal
ekstrem menduga curah hujan ekstrem lebih baik dibandingkan dengan model
Bayes spatio-temporal ekstrem SD pada kuantil sangat ekstrem (0.975). Model
Bayes spatio-temporal ekstrem memiliki nilai korelasi yang paling rendah.
Sedangkan, model Bayes spatio-temporal ekstrem SD memiliki korelasi paling
tinggi hingga pada kuantil ekstrem sedang (0.80). Sementara itu, model Bayes
spatio-temporal dengan respons sebaran normal memiliki nilai korelasi paling
tinggi pada kuantil sangat ekstrem (0.95 dan 0.975).
Secara umum dari sisi nilai statistik RMSEP, pengembangan model Bayes
spatio-temporal ekstrem SD yang diaplikasikan untuk pendugaan curah hujan
ekstrem Jawa Barat merupakan metode terbaik dalam menduga curah hujan
ekstrem kuantil 0.65 hingga curah hujan sangat ekstrem (kuantil 0.95). Sedangkan
dari nilai statistik korelasi model ini mampu menjadi penduga terbaik hingga pada
curah hujan ekstrem sedang (kuantil 0.80). Pada penelitian ini, dihasilkan pula
pewilayahan curah hujan ekstrem, yaitu pewilayahan yang diperoleh dengan
memprediksi secara lebih luas lokasi yang tidak terobservasi. Hasil pewilayahan
menunjukkan, curah hujan sangat ekstrem (lebih dari 510 mm) berpotensi terjadi
pada beberapa wilayah di kabupaten Kuningan, Ciamis bagian selatan,
Tasikmalaya bagian selatan dan Sukabumi. Hasil pewilayahan curah hujan ekstrem
dapat diperoleh secara lebih baik dengan melibatkan lebih banyak pos hujan
terobservasi dan merata di seluruh wilayah Jawa Barat. Dengan melibatkan lebih
banyak pos hujan, peluang penelitian spasial dan spatio-temporal big data sangat
menarik untuk dikembangkan. | id |
