Pemodelan Statistical Downscaling menggunakan Clusterwise dengan Pendekatan Algoritma Genetika pada Sebaran Gamma

Abstract

Statistical Downscaling (SD) merupakan teknik statistika yang menghubungkan antara iklim lokal yang ada di permukaan bumi dan sirkulasi atmosfir global. SD menjelaskan hubungan antara curah hujan di permukaan bumi (skala lokal) sebagai peubah respon dan luaran presipitasi generalized circulation model (GCM) yang berskala global sebagai peubah prediktor. Analisis komponen utama (AKU) digunakan untuk mereduksi dimensi GCM karena terdapat korelasi yang tinggi antar peubah prediktor tersebut. Curah hujan yang memiliki nilai lebih dari atau sama dengan nol dan menjulur ke kanan dapat di dekati dengan sebaran Gamma. Keragaman yang besar pada data curah hujan lokal dan luaran GCM diatasi menggunakan regresi gerombol (clusterwise). Regresi gerombol merupakan salah satu metode untuk menggerombolkan data curah hujan dengan mengkombinasikan teknik penggerombolan dan analisis regresi. Penggerombolan setiap amatan secara acak menggunakan algoritma genetika (AG) agar mendapatkan model regresi terbaik di setiap gerombol yang terbentuk. Proses AG dilakukan untuk mendapatkan penggerombolan terbaik dari generasi ke generasi. Penelitian ini akan melihat performa AG dalam menggerombolkan data serta menduga curah hujan dengan memanfaatkan teknik SD menggunakan regresi gerombol pada sebaran Gamma. Tahapan awal penelitian ini dimulai dengan melakukan simulasi untuk melihat performa AG dalam menggerombolkan setiap amatan sesuai sebaran yang dibangkitkan. Tiga skenario simulasi regresi gerombol dilakukan yang terdiri dari peubah respon dengan sebaran Gamma yang berbeda, sebaran Normal yang berbeda, dan campuran sebaran Gamma dan Normal. ...dst..

Statistical Downscaling (SD) is a statistical technique that relates the local climate on the earth's surface and the global atmospheric circulation. SD explains the relationship between rainfall on the earth's surface (local scale) as a response variable and the generalized circulation model (GCM) precipitation output on a global scale as a predictor variable. Principal component analysis (PCA) is used to reduce the dimensions of GCM because there is a high correlation between these predictor variables. Rainfall which has a value of more than or equal to zero and extends to the right can be approximated by the Gamma distribution. The large variability in local rainfall data and GCM outputs was overcome using clusterwise regression. Cluster regression is a method for clustering rainfall data by combining clustering techniques and regression analysis. Grouping each observation randomly using a genetic algorithm (GA) in order to obtain the best regression model in each cluster formed. The GA process is carried out to obtain the best clustering from generation to generation. This study will look at the performance of GA in clustering data and predicting rainfall using the SD technique using cluster regression on the Gamma distribution. The initial stage of this research begins with conducting a simulation to see the performance of GA in grouping each observation according to the generated distribution. ...dst