Model Aditif Terampat Vektor Dengan Komponen Utama Untuk Pendugaan Curah Hujan Ekstrim (Studi Kasus: Indramayu).
View/ Open
Date
2016Author
Utami, Eka Putri Nur
Wigena, Aji Hamim
Djuraidah, Anik
Metadata
Show full item recordAbstract
Perubahan iklim yang terjadi beberapa tahun terakhir ini mengakibatkan terjadinya curah hujan ekstrim. Curah hujan ekstrim ini berpotensi menimbulkan banjir yang akhirnya dapat mengakibatkan gagal panen. Oleh karena itu pemodelan curah hujan diperlukan untuk meminimumkan dampak yang terjadi. Statistical downscaling (SD) merupakan model statistik yang digunakan untuk menduga curah hujan (berskala lokal) dengan memanfaatkan informasi dari data luaran global circulation model (GCM). Data GCM adalah data hasil simulasi komputer yang memanfaatkan kaidah fisika, kondisi lautan, dan perubahan iklim pada atmosfer bumi yang dapat digunakan untuk menduga unsurunsur iklim saat ini ataupun di masa yang akan datang. Permasalahan yang muncul dalam metode SD adalah penentuan teknik statistika yang tepat untuk memodelkan curah hujan ekstrim. Sebaran nilai ekstrim yang biasa digunakan dalam teori nilai ekstrim adalah generalized extreme value (GEV) dan generalized pareto distribution (GPD). Penggunaan sebaran GEV memiliki kelemahan yaitu akan menghilangkan banyak data amatan. Oleh karena itu diusulkan untuk menggunakan GPD. Pemodelan yang dapat digunakan dalam SD antara lain model aditif terampat (generalized additive model/GAM) yang dapat mengatasi pengaruh nonlinier masing-masing peubah penjelas terhadap peubah respon dengan teknik pemulusan. Kekurangan dari metode ini adalah GAM hanya terbatas pada sebaran-sebaran yang termasuk ke dalam sebaran keluarga eksponensial, sedangkan GPD tidak termasuk ke dalam sebaran keluarga eksponensial. Selain itu, metode GAM hanya dapat membuat satu fungsi hubung dari parameter sebarannya. Permasalahan tersebut, diatasi dengan vector generalized additive model (VGAM). Teknik ini merupakan perluasan dari model aditif terampat karena VGAM yang tidak terbatas pada sebaran keluarga eksponensial. Tujuan dari penelitian ini adalah menduga curah hujan ekstrim menggunakan VGAM berdasarkan sebaran GPD di Kabupaten Indramayu. Data curah hujan di Indramayu digunakan sebagai peubah respon dan data presipitasi GCM sebagai peubah penjelas. Data penelitian dibagi menjadi dua yaitu data tahun 1979-2007 untuk pemodelan dan data tahun 2008 sebagai validasi model. Ukuran grid data GCM yang digunakan yaitu ukuran 6 × 6 dan 8 × 8. Sifat dari data GCM yang berdimensi tinggi dan terdapat multikolinearitas diatasi dengan menggunakan analisis komponen utama. Pemodelan VGAM dilakukan terhadap data yang lebih besar dari nilai ambang dengan menggunakan metode backfitting vector. Pemilihan nilai ambang ini dilakukan dengan menggunakan mean residual life plot (MRLP). Pemulusan data menggunakan pemulusan spline dan pemilihan derajat bebas optimum dilakukan dengan memilih nilai Akaike Information Criterion (AIC) terkecil. Pemodelan dilakukan dengan memodelkan keseluruhan bulan, dan membagi bulan dalam empat kelompok. Kelompok tersebut adalah bulan hujan, peralihan hujan-kering, kering, dan peralihan kering-hujan. Model yang dibuat adalah model keseluruhan dan model setiap kelompok. Hasil analisis komponen utama menghasilkan dua komponen utama untuk data grid 6 × 6 dan empat komponen utama untuk data grid 8 × 8 . Proporsi keragaman kumulatif yang dihasilkan adalah 96% untuk data ukuran grid 6 × 6 dan 95% untuk grid 8 × 8 . Berdasarkan hasil MRLP diperoleh nilai ambang secara keseluruhan adalah 145. Nilai ambang untuk kelompok bulan hujan, peralihan hujan-kering, kering, dan peralihan kering-hujan berturut-turut adalah 145, 100,10 dan 45. Hasil pemodelan VGAM pada tahap awal menunjukkan data grid 6 × 6 menghasilkan nilai root mean square error prediction (RMSEP) yang lebih rendah dibandingkan dengan data grid 8 × 8 . Oleh karena itu pada tahap selanjutnya pemodelan dilakukan dengan menggunakan data grid 6 × 6 . Secara keseluruhan hasil pendugaan curah hujan dengan metode VGAM yang berbasis GPD mampu menghasilkan pola dugaan yang mirip dengan data aktual. Penggunaaan kuantil yang berbeda untuk setiap kelompok bulan menghasilkan dugaan yang lebih baik. Kelompok bulan kering memiliki nilai dugaan yang mendekati aktual pada kuantil rendah yaitu kuantil 5 dan 10, kelompok bulan hujan pada kuantil 75, kelompok bulan peralihan hujan-kering pada kuantil 50, sedangkan pada kelompok bulan peralihan kering-hujan dugaan terbaik yaitu pada kuntil 25. Kebaikan model menunjukkan bahwa model VGAM dengan GPD menghasilkan dugaan yang konsisten meskipun panjang data dugaan ditambah, nilai RMSEP yang dihasilkan tidak jauh berbeda jika dibandingkan dengan melakukan dugaan pada satu tahun.