| dc.description.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. | |
