Stacking Ensemble pada Statistical Downscaling untuk Prediksi Curah Hujan di Riau

Abstract

Ensemble learning, yang salah satunya adalah pendekatan stacking ensemble, merupakan metode machine learning yang telah banyak diaplikasikan pada berbagai kajian data klimatologi karena kemampuannya mengombinasikan beberapa algoritma prediksi (base learner) melalui satu model penggabung (meta learner) untuk menghasilkan akurasi yang lebih baik dibandingkan model tunggal. Pendekatan ini memanfaatkan data GCM untuk memprediksi curah hujan lokal melalui metode statistical downscaling. Koreksi bias dilakukan terlebih dahulu guna meningkatkan kemiripan pola GCM terhadap curah hujan lokal. Penelitian ini bertujuan meningkatkan akurasi prediksi curah hujan melalui penerapan koreksi bias menggunakan Empirical Quantile Mapping (EQM) serta membandingkan kinerja model stacking ensemble dan single learner. Provinsi Riau memiliki karakteristik lingkungan berupa lahan gambut yang luas serta aktivitas kehutanan dan perkebunan yang memerlukan informasi curah hujan yang akurat. Keterbatasan cakupan pengamatan menyebabkan informasi curah hujan beresolusi tinggi belum tersedia secara memadai untuk mendukung analisis dan pengambilan keputusan berbasis data. Kondisi tersebut mendorong pengembangan metode yang mampu menghasilkan prediksi curah hujan dengan resolusi spasial lebih tinggi melalui pendekatan berbasis data. Penelitian ini menggunakan data curah hujan bulanan keluaran lima model CMIP6-DCPP periode 1991–2020 sebagai peubah prediktor, data CHIRPS sebagai acuan koreksi bias, serta data curah hujan bulanan dari sepuluh stasiun BMKG di Provinsi Riau sebagai peubah respons. Data dibagi menjadi data latih periode 1991 2017 dan data uji periode 2018–2020. Koreksi bias dilakukan menggunakan metode EQM sebelum tahap statistical downscaling untuk meningkatkan kesesuaian distribusi data model terhadap data observasi. Pemodelan statistical downscaling dilakukan menggunakan pendekatan stacking ensemble yang mengombinasikan algoritma XGBoost, LightGBM, dan Extra Trees sebagai base learner serta Regresi Gulud (Ridge Regression) sebagai meta learner. Algoritma XGBoost dan LightGBM menggunakan fungsi kerugian (loss function) Tweedie untuk menangani karakteristik distribusi curah hujan yang bersifat tidak simetris dan memiliki banyak nilai rendah atau mendekati nol. Pelatihan model menerapkan skema rolling-origin cross-validation untuk menjaga kemampuan generalisasi model pada data deret waktu, sedangkan evaluasi kinerja dilakukan menggunakan RMSE dan koefisien korelasi. Hasil penelitian menunjukkan bahwa seluruh model machine learning memberikan kinerja yang lebih baik dibandingkan regresi linear sebagai model pembanding. Kombinasi Stacking XGBoost-LightGBM-ExtraTrees menghasilkan performa terbaik dengan nilai RMSE rata-rata sebesar 69,2 mm/bulan dan korelasi sebesar 0,520, lebih baik dibandingkan model tunggal terbaik, yaitu XGBoost yang menghasilkan RMSE sebesar 71,1 mm/bulan dan koefisien korelasi sebesar 0,50. Performa model pada setiap stasiun menunjukkan bahwa tidak terdapat satu model yang secara konsisten memberikan hasil terbaik di seluruh lokasi pengamatan, yang mengindikasikan adanya variasi karakteristik curah hujan lokal antarstasiun. Integrasi koreksi bias EQM dengan pendekatan stacking ensemble mampu meningkatkan kualitas prediksi curah hujan pada skala lokal dibandingkan pendekatan konvensional. Model yang dikembangkan berpotensi dimanfaatkan sebagai sumber informasi curah hujan beresolusi tinggi untuk mendukung perencanaan wilayah, pengelolaan sumber daya alam, serta mitigasi risiko bencana hidrometeorologi. Penelitian ini memberikan kontribusi dalam pengembangan metode statistical downscaling berbasis machine learning ensemble untuk menghasilkan prediksi curah hujan yang lebih akurat di Provinsi Riau dan wilayah lain dengan karakteristik serupa.