Regresi Kuantil Lasso Dan Gulud Dengan Validasi Silang Untuk Prediksi Curah Hujan Ekstrim

Abstract

Indonesia merupakan negara agraris yang memiliki potensi di sektor pertanian. Salah satu wilayah penghasil padi di Indonesia adalah Kabupaten Indramayu yang memiliki areal persawahan 56.11% dari luas wilayah keseluruhan. Salah satu unsur iklim yang mempengaruhi produktivitas pertanian adalah curah hujan. Kondisi curah hujan yang tinggi, disebut juga curah hujan ekstrim berada jauh dari curah hujan lainnya, dapat menyebabkan kerugian bagi berbagai pihak. Regresi kuantil merupakan salah satu metode analisis untuk menduga curah hujan ekstrim. Peubah prediktor yang digunakan pada regresi kuantil adalah data luaran presipitasi GCM. Data luaran GCM memiliki multikolinieritas yang dapat mengakibatkan solusi pendugaan parameter regresi menjadi tidak unik. Solusi yang unik dapat diperoleh dengan menambahkan regularisasi lasso dan gulud pada regresi kuantil. Penambahan regularisasi menyebabkan dibutuhkan koefisien lasso dan koefisien gulud yang diperoleh dari proses validasi silang (VS). Validasi silang memilih dugaan koefisien lasso dan gulud berdasarkan nilai galat validasi silang (GVS) yang minimum, namun proses VS dinilai tidak stabil dalam memilih koefisien yang optimum. Ketidakstabilan proses VS terlihat pada pemilihan nilai koefisien yang berbeda pada setiap ulangan yang berbeda. Ketidakstabilan proses VS diatasi dengan metode persentil. Metode persentil adalah proses VS yang diulang lebih dari satu kali dan memilih koefisien berdasarkan posisi persentil yang ditentukan. Pada penelitian ini dilakukan modifikasi metode persentil untuk menentukan kritertia terbaik koefisien lasso dan gulud untuk prediksi curah hujan ekstrim. Modifikasi yang dilakukan adalah memilih koefisien lasso dan gulud yang memiliki GVS minimum. Nilai koefisien yang terpilih akan dibangun model statistical downscaling menggunakan regresi kuantil dengan penambahan regularisasi lasso dan gulud untuk menduga curah hujan ekstrim. Kedua model regresi kuantil tersebut akan dipilih model terbaik dalam memprediksi curah hujan berdasarkan nilai RMSEPvalidasi terkecil dan korelasi tertinggi. Posisi kuantil yang dipilih adalah Q(0.75), Q(0.90), dan Q(0.95). Data yang digunakan adalah data curah hujan sebagai peubah respon dan data luaran presipitasi GCM sebagai peubah prediktor. Data curah hujan pada tahun 1981-2013 diambil dari rataan empat stasiun yaitu Stasiun Krangkeng, Sukadana, Karangkendal, dan Gegesik. Keempat stasiun tersebut berada pada satu zona musim (ZOM) yang sama yaitu ZOM 79. Data luaran GCM yang digunakan adalah data curah hujan bulanan data Climate Model Intercomparison Project (CMIP5). Jumlah grid yang digunakan adalah 8 8 grid, sehingga terdapat 64 peubah prediktor. Berdasarkan hasil yang diperoleh, kriteria terbaik koefisien lasso adalah pada P( ). Hal ini ditunjukkan dengan nilai RMSEPvalidasi yang konsisten lebih kecil pada setiap kuantil jika dibandingkan dengan pemilihan koefisien berdasarkan GVS minimum. Berbeda dengan regulasasi gulud, pada Q(0.75) dan Q(0.90) lebih baik memilih koefisien gulud berdasarkan GVS minimum, sedangkan pada Q(0.95) lebih baik memilih koefisien gulud yang berada pada P( ). Koefisien terpilih tersebut lalu digunakan untuk membangun model regresi kuantil. Regresi kuantil regularisasi lasso dan gulud dapat menggambarkan kondisi curah hujan ekstrim di Kabupaten Indramayu dengan baik karena nilai RMSEPvalidasi yang kecil dan korelasi yang tinggi. Pada regresi kuantil regularisasi lasso untuk prediksi curah hujan tahun 2013 diperoleh RMSEPvalidasi sebesar 13.57, 15.78, dan 16.74 untuk masing-masing Q(0.75), Q(0.90), dan Q(0.95). Nilai RMSEPvalidasi pada regresi kuantil gulud yang diperoleh adalah 15.94, 15.85, dan 18.00 pada masing-masing Q(0.75), Q(0.90), dan Q(0.95). Pada regularisasi lasso dan gulud, nilai korelasi antara prediksi dengan data aktual kuantil yang diperoleh adalah 0.99, yang berarti prediksi curah hujan sudah mampu memprediksi curah hujan aktual. Berdasarkan RMSEPvalidasi terkecil, regresi kuantil lasso lebih baik dalam memprediksi curah hujan ekstrim dibandingkan regresi kuantil gulud. Regresi kuantil lasso dan gulud dapat memprediksi dengan tepat curah hujan ekstrim di bulan Januari yang berada pada Q(0.75) dan curah hujan ekstrim bulan Desember yang berada pada Q(0.90). Oleh karena itu, regresi kuantil dengan regularisasi lasso terbaik dalam prediksi curah hujan ekstrim di Kabupaten Indramayu.