Pemodelan Statistical Downscaling Dengan Regresi Kuantil Regularisasi Gulud Dan Elastic-Net Untuk Pendugaan Curah Hujan Di Indramayu

Abstract

Indonesia yang terletak antara 6o LU sampai 11o LS dan antara 95o BT sampai 141o BT, dan dilintasi garis khatulistiwa memiliki iklim tropis dengan keragaman curah hujan yang besar. Hal tersebut dapat menyebabkan peningkatan atau penurunan curah hujan secara ekstrim. Curah hujan ekstrim dapat menimbulkan dampak buruk pada berbagai sektor, salah satunya adalah sektor pertanian karena dapat merusak tanaman. Indonesia merupakan negara agraris yang cukup maju sektor pertaniannya. Salah satu hasil pertanian terpenting di Indonesia adalah padi, yang banyak dihasilkan di wilayah Pulau Jawa. Kabupaten Indramayu merupakan salah satu penghasil padi terbesar di Jawa Barat yang berpotensi besar terkena dampak buruk adanya curah hujan ekstrim. Pemodelan curah hujan tersebut perlu dilakukan untuk menghindari dampak buruk yang mungkin terjadi. Regresi kuantil adalah suatu teknik yang dapat digunakan untuk memodelkan curah hujan ekstrim. Regresi kuantil dapat mengukur efek peubah penjelas pada berbagai nilai kuantil sebaran data. Pembentukan model regresi tersebut dapat dilakukan dengan memanfaatkan data luaran dari General Circulation Models (GCM). Akan tetapi, GCM menghasilkan data berskala global, sehingga sulit memperoleh informasi berskala lokal secara langsung. Suatu teknik yang dapat digunakan untuk menghubungkan data berskala global dengan data berskala lokal disebut dengan downscaling. Statistical downscaling (SD) adalah salah satu teknik downscaling yang menetapkan hubungan fungsional antara data curah hujan dengan data luaran GCM. Karakteristik data GCM selain berskala global adalah terdapat multikolinieritas antar gridnya. Hal tersebut menyebabkan data GCM tidak dapat digunakan secara langsung dalam memodelkan curah hujan sebelum multikolinieritas diatasi. Metode yang sering digunakan untuk mengatasi multikolinieritas adalah analisis komponen utama atau analisis komponen utama fungsional. Selain metode tersebut, multikolinieritas juga dapat diatasi menggunakan regularisasi gulud, lasso, atau elastic-net (gabungan dari regularisasi gulud dan lasso). Regularisasi gulud mengatasi multikolinieritas dengan membuat nilai koefisien peubah penjelas menjadi sangat kecil mendekati nol. Regularisasi lasso dapat membuat koefisien tersebut bernilai nol sehingga peubah penjelas yang bersesuaian dapat dikeluarkan dari model. Keunggulan tersebut membuat lasso dapat menghasilkan model dengan peubah penjelas yang lebih sedikit dan mempermudah interpretasi. Akan tetapi, ketika banyaknya pengamatan lebih besar daripada banyaknya peubah penjelas, regularisasi gulud tetap memberikan hasil prediksi yang lebih baik. Pada penelitian ini digunakan regularisasi gulud dan elastic-net pada regresi kuantil untuk prediksi curah hujan ekstrim. Pemodelan tersebut dilakukan dengan menggunakan data curah hujan pada ZOM 79 Kabupaten Indramayu tahun 1981-2013 digunakan sebagai peubah respon dan data presipitasi GCM sebagai peubah penjelas. Sebelum pembentukan model, pada data GCM dilakukan pergeseran waktu untuk mendapatkan peubah penjelas yang berkorelasi tinggi dengan peubah respon. Selanjutnya data dibagi menjadi dua bagian, yaitu data pemodelan (tahun 1981-2012) untuk membangun model dan data validasi (tahun 2013) untuk validasi. Langkah awal yang dilakukan dalam membangun model adalah menentukan nilai parameter regularisasi yang optimum. Penentuan parameter regularisasi gulud dan elastic-net yang optimum dilakukan dengan menggunakan metode validasi silang (CV). Selanjutnya, pemodelan dilakukan untuk pendugaan nilai-nilai curah hujan pada nilai-nilai kuantil ke-0.75, ke-0.90, dan ke-0.95. Hasil pemodelan regresi kuantil gulud dan kuantil elastic-net dapat digunakan untuk prediksi curah hujan tinggi yang terjadi pada Bulan Januari (kuantil ke-0.75) dan Bulan Desember (kuantil ke-0.90) dengan baik. Nilai prediksi dan nilai aktual curah hujan memiliki pola yang sama serta konsisten pada berbagai waktu yang berbeda. Akan tetapi, model regresi kuantil elastic-net memberikan hasil prediksi yang lebih baik dengan nilai RMSEP validasi yang lebih rendah dan nilai korelasi yang lebih tinggi daripada model regresi kuantil gulud.