Model Statistical Downscaling dengan Time Lag Data Global Circulation Model untuk Peramalan Curah Hujan

Abstract

Sebagai negara kepulauan, Indonesia rentan terhadap dampak perubahan iklim. Perubahan iklim menjadi ancaman serius pada berbagai bidang, khususnya pada bidang pertanian. Naiknya suhu permukaan bumi menyebabkan terjadinya perubahan pola musim yang berdampak pada menurunnya produktivitas pertanian. Curah hujan merupakan unsur iklim dengan keragaman cukup besar di Indonesia. Oleh karena itu, pendugaan curah hujan memberikan kontribusi positif bagi bidang pertanian. Statistical downscaling merupakan model statistik yang digunakan untuk menduga data curah hujan (berskala lokal) dengan memanfaatkan informasi global berupa data presipitasi (berskala global) dari luaran global circulation model climate model intercomparison project (GCM CMIP5). Namun umumnya, data luaran GCM berdimensi besar sehingga memungkinkan terjadinya multikolineritas pada data presipitasi. Oleh karena itu, model statistical downscaling yang dapat mengatasi masalah tersebut adalah regresi kuadrat terkecil parsial (RKTP) dan regresi komponen utama (RKU). Umumnya, korelasi antara data curah hujan dengan data presipitasi GCM harus kuat untuk menjelaskan dengan baik keragaman iklim lokal. Penentuan pergeseran waktu (time lag) dibutuhkan terhadap data presipitasi GCM untuk menghasilkan korelasi yang kuat antara kedua peubah. Time lag ditentukan berdasarkan korelasi silang tertinggi antara data curah hujan dengan data presipitasi GCM. Korelasi silang dihitung menggunakan fungsi korelasi silang (CCF). Tujuan dari penelitian ini adalah menentukan time lag data presipitasi GCM dan membangun model statistical downscaling menggunakan metode RKTP dan RKU dengan time lag data presipitasi GCM. Data Curah hujan di Kabupaten Indramayu digunakan sebagai peubah respon dan data presipitasi GCM digunakan sebagai peubah predictor pada periode 1979-2008. Data periode 1979-2007 digunakan untuk membangun model dan data periode 2008 digunakan untuk validasi model. Pemodelan dengan menggunakan metode RKTP pada data GCM-lag (GCM dengan time lag) memberikan nilai R2 sekitar 71.7% dan nilai RMSE (root mean square error) sekitar 57.93. Berdasarkan pendugaan data curah hujan periode 2008, model RKTP menghasilkan nilai korelasi sekitar 0.93 dengan nilai root mean square error of prediction (RMSEP) sekitar 75.26. Selain itu, metode RKTP menunjukkan 5 kelompok data curah hujan berdasarkan plot antara skor 𝑋�������� dan skor 𝑌��������. Pengelompokan ini digunakan sebagai peubah boneka dalam model RKU. Model RKU mampu memberikan R2 berkisar 62%−63% dan nilai RMSE berkisar 66.21−67.14. Nilai korelasi yang dihasilkan berkisar 0.88−0.91 dengan RMSEP berkisar 71.91−77.29. Hal ini berarti bahwa model RKTP lebih baik dalam menjelaskan keragaman data dibandingkan model RKU. Pola sisaan model RKU menunjukkan kondisi ragam yang heterogen. Hal ini diatasi dengan mengalikan pembobot ke dalam model RKU (RKUB). Pembobot ditentukan berdasarkan keragaman setiap bulan. Pembobot dapat meningkatkan nilai R2 model RKU sekitar 8.78% dengan nilai RMSE, korelasi, dan RMSEP yang relatif sama dengan model RKU. Akan tetapi, sisaan model RKUB masih heterogen. Masalah ini diatasi dengan menambahkan peubah boneka ke dalam model RKU (RKUK). Hasilnya menunjukkan bahwa model RKU dengan peubah boneka memberikan nilai R2 (berkisar 92.9%−93.4%) dan korelasi (0.99) yang lebih tinggi daripada model RKU, RKTP, dan RKUB. Nilai RMSE berkisar 28.06−29.09 dan RMSEP berkisar 28.48−31.04. Model RKU dengan bobot dan peubah boneka (RKUBK) memberikan hasil yang sama dengan model RKUK. Penambahan peubah boneka ke dalam model RKUB mampu meningkatkan nilai R2 sekitar 30.1% dan menurunkan nilai RMSE sekitar 37.83. Penambahan peubah boneka ke dalam model RKU maupun RKUB mampu menghasilkan model dengan sisaan yang lebih homogen. Secara umum, model RKUK menunjukkan performa yang lebih baik daripada model RKU, RKTP, RKUB, maupun RKUBK. Dengan nilai R2 dan korelasi yang relatif sama dengan model RKUBK, model RKUK lebih sederhana. Model RKUK dengan satu komponen merupakan model statistical downscaling terbaik. Model tersebut memiliki nilai RMSEP (28.48) yang lebih kecil dan nilai korelasi (0.99) yang tinggi serta ragam sisaan yang lebih homogen daripada model lainnya. Analisis juga dilakukan terhadap data presipitasi GCM tanpa time lag. Model statistical downscaling dengan prediktor GCM-lag mempunyai nilai R2 yang lebih tinggi dan RMSEP yang lebih rendah daripada model statistical downscaling dengan GCM tanpa time lag.