Pengembangan Model Prediksi Berbasis Sebaran Empirik untuk Prediksi Kategori Curah Hujan Skala Submusiman hingga Musiman

Abstract

Sejak tahun 2013 dikembangkan model prediksi cuaca skala submusiman hingga musiman (S2S) yang menjembatani kesenjangan antara prediksi musiman dan prakiraan cuaca dengan skala 2 minggu hingga satu musim atau lebih. Prakiraan cuaca merupakan prediksi skala pendek-hingga-menengah yaitu prediksi hingga 14 hari dan prediksi musiman yang merupakan prediksi skala panjang, dengan skala prediksi tiga hingga 12 bulan. Pemodelan prediksi curah hujan dapat dibangun berdasarkan luaran Global Climate Model (GCM) maupun hasil pengukuran variabel-variabel cuaca dari stasiun pengamatan. Luaran GCM terdiri dari berbagai variabel cuaca yang berbentuk grid. Pemanfaatan luaran GCM untuk prediksi cuaca lokal dikenal sebagai teknik statistical downscaling (SD). Teknik SD dapat dibedakan menjadi teknik SD berbasis regresi apabila prediktan bernilai kontinyu dan berbasis klasifikasi apabila prediktan bernilai diskret seperti kategori curah hujan. Kategori curah hujan merupakan hasil penggolongan nilai-nilai curah hujan sesuai dengan tujuan tertentu. Luaran GCM pada umumnya berdimensi tinggi oleh karena itu diperlukan metode reduksi dimensi. Metode reduksi yang digunakan adalah metode ekstraksi fitur tekstur statistik yang dihitung dari gray level co-occurrence matrix (GLCM). Fitur tekstur statistik yang digunakan adalah kontras, korelasi, energi, homogenitas dan entropi. Pada penelitian ini dibangun teknik SD berbasis klasifikasi untuk prediksi kategori curah hujan di Kabupaten Indramayu. Model tersebut memanfaatkan luaran model GCM S2S dari European Centre for Medium-Range Weather Forecasts (ECMWF) sebagai prediktor dan data presipitasi CHIRPS sebagai data curah hujan. Model yang akan dibangun adalah pengembangan dari model klasifikasi yang belum pernah digunakan untuk prediksi kategori curah hujan yaitu voting feature interval (VFI). Model VFI merupakan model klasifikasi dengan proses pelatihan yang cepat karena seluruh data latih diproses sekaligus. Pada model VFI, setiap fitur memberikan peluang untuk setiap kelas (disebut sebagai vote) dan kemudian kelas dengan jumlah peluang terbesar merupakan kelas prediksi. Secara umum, model VFI memiliki kinerja yang sangat baik dengan akurasi yang cukup tinggi untuk permasalahan klasifikasi dengan fitur-fitur bernilai nominal dan ordinal. Namun demikian kinerjanya menurun bahkan akurasinya hanya sekitar 50% ketika banyak fitur berupa fitur bernilai kontinyu. Untuk mengatasi kelemahan tersebut pada penelitian ini diusulkan dua perbaikan yaitu penentuan peluang yang diberikan oleh setiap fitur dengan menggunakan metode kernel dan penentuan banyaknya interval fitur berdasarkan percobaan. Di samping itu, untuk meningkatkan kinerja model, dilakukan proses seleksi fitur. Tahap pertama dari penelitian ini adalah penentuan variabel cuaca yang digunakan sebagai prediktor dan domain luaran GCM S2S. Berdasarkan penelitian-penelitian sebelumnya, variabel cuaca yang digunakan adalah suhu permukaan, suhu pada ketinggian 200 dan 850 hPa serta angin zonal pada ketinggian 200 dan 850 hPa. Penentuan domain luaran GCM S2S dilakukan dengan percobaan menggunakan ukuran 6x6, 8x8, 10x10, dan 12x12 dengan posisi di atas wilayah Kabupaten Indramayu. Hasil percobaan menunjukkan dimensi GCM 6x6 sampai dengan 12x12 grid berpotensi digunakan sebagai prediktor. Namun demikian, berdasarkan penelitian-penelitian sebelumnya dimensi 8x8 memberikan kinerja prediksi yang baik untuk wilayah Kabupaten Indramayu. Oleh karena itu dipilih dimensi 8x8 dengan posisi di atas Kabupaten Indramayu. Hasil percobaan juga menunjukkan bahwa akurasi model VFI masih sangat kecil yaitu sekitar 50%. Hal ini mengkonfirmasi bahwa akurasi model VFI rendah ketika fitur-fitur bernilai kontinyu. Tahap selanjutnya adalah percobaan perbaikan kinerja VFI dengan pendugaan fungsi kepekatan menggunakan metode kernel dan penentuan banyaknya interval fitur berdasarkan percobaan. Hasil percobaan menunjukkan bahwa perbaikan yang diusulkan mampu meningkatkan akurasi dengan selisih yang cukup tinggi (12%). Peningkatan akurasi ini disebabkan adanya pendugaan nilai peluang yang lebih baik pada model KVFI untuk setiap interval fitur. Di samping itu, penentuan banyaknya interval fitur pada model KVFI mampu mendistribusikan data pelatihan secara lebih merata. Model KVFI juga mampu memberikan nilai peluang dari data uji yang nilainya lebih besar dari nilai maksimum data latih. Pada penelitian ini digunakan 25 fitur sebagai input dari model prediksi yang dibangun. Untuk meningkatkan kinerja model KVFI maka dilakukan proses seleksi fitur. Karena banyaknya kombinasi 25 fitur diambil r fitur dengan 1 ≤ r ≤ 25 mencapai 33 juta, maka dilakukan proses seleksi fitur dengan teknik penarikan contoh secara sistematik. Hasil percobaan menunjukkan bahwa akurasi model KVFI dihasilkan sebesar 75,3%, lebih tinggi 7,6% dibandingkan model VFI. Hasil lain yang diperoleh adalah bahwa semua fitur berkontribusi dalam pembuatan model KVFI. Dari sisi jumlah fitur, sebagian besar model KVFI menggunakan kurang dari 13 fitur.